Jun, 2024

通过结合弱工具和观测数据估计异质治疗效应

PDF
TL;DR通过结合工具变量和观测数据，本文提出了一种可靠的方法来估计存在观测数据中的未观察混淆以及工具变量数据中的低合规性（包括某些子群体的零合规性）的条件平均处理效应（CATEs）。
conditional average treatment effectsobservational datalatent quasi-experimentsinstrumental variablescompliance
发现论文，激发创造
  • 使用二元工具变量估计存在未观测混杂下的个体治疗效应

    该论文提出了一种称为 MRIV 的机器学习框架，基于二进制 IVs 直接估计个人化药物治疗效果，解决了实践中治疗分配容易被未观察变量混淆的偏差问题，并给出了理论分析证明的理论和实验结果表明，其性能表现优于已有的 IV 貌似方法。

    Aug, 2022

  • 利用工具变量的有界、高效和多重稳健的平均处理效果估计

    本文提出了新的假设条件，允许在标准 IV 模型下识别平均处理效应（ATE），并构建了多个估计器，这些估计器在三个不同的观察数据模型下是一致的，并设计保证 ATE 估计值在 - 1 到 1 之间的估计器。

    Nov, 2016

  • 多环境下部分识别的治疗效果的元学习器

    从多环境的观测数据中，利用部分识别法通过元学习器估计条件平均治疗效应的边界。

    Jun, 2024

  • 将观测与实验数据结合以查找异质性治疗效应

    提出了将实验性数据与观测性时间序列数据相结合的方法，以估计异质性处理效应，应用于 Facebook 页面推荐。

    Nov, 2016

  • 具有（某些）无效工具的有效因果推断

    本文提出一种方法，使用多个工具变量估计器计算最可能的因果效应，从而在不依赖于「排除假设」的情况下进行一致的工具变量估计。

    Jun, 2020

  • 未观测到的混淆下个体级因果效应的区间估计

    本研究提出了一种能够学习条件平均治疗效果的函数区间估计器，通过加权核估计与对手模型，实现了在实际未观测混淆下，对个体因果效应的预测，并且通过个性化决策规则，实现了渐近无遗憾的最优性能。

    Oct, 2018

  • 结合观察和随机数据估计异质性治疗效应

    本文提出了一种利用混合大量的观测数据和少量随机数据通过表示学习来估计异质化治疗效果的框架，成功设计了一个名为 CorNet 的样本高效算法，并通过多个真实世界数据集展示了该方法优于现有方法的效果。

    Feb, 2022

  • 使用深度生成模型的条件工具因果推断

    本文提出了一种基于深度生成模型的数据驱动方法，用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示，并实现平均因果效应估计。通过大量的合成和实际数据实验，证明该方法优于现有的 IV 方法。

    Nov, 2022

  • 将实验数据和观察数据相结合估计治疗对长期结果的影响

    本文提出了一种方法，将观测数据和实验数据相结合，通过控制函数方法进行因果效应的估计，以解决可能存在未观测混淆变量的问题。该方法应用于课堂规模和第三年级考试成绩的数据，结论表明，课堂规模对学生学业成就有显著影响。

    Jun, 2020

  • 使用工具进行异质性处理效果的机器学习估计

    本研究使用有效的工具变量来考虑具有任意机器学习方法的异质性处理效应估计，并减少了问题到最小化一个适当的损失函数（依赖于一组辅助模型，每个模型对应一个独立的预测任务）的规模。

    May, 2019