关键词heterogeneous treatment effects
搜索结果 - 30
- 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。
- 神经网络估计因果效应的迁移学习
本文提出使用传输学习算法和因果推断理论相结合的方法来估算异质性治疗效应，并在大规模选民说服实验和 MNIST 数据库上进行了模拟研究，结果表明该方法能够以更好的性能和更少的数据使用量超越现有的基准算法。
- 正交随机森林用于因果推断
我们提出了正交随机森林算法，该算法结合了 Neyman - 正交减少估计误差对无关参数的敏感度，与广义随机森林，通过随机森林对条件矩模型进行灵活的非参数统计估计。我们提供了一致性速率，并为我们的估计器建立了渐进正态性。我们展示了在无关参数的 - 基于异常模式检测的随机实验中异质性治疗效应的高效发现
该研究提出了一种新方法 Treatment Effect Subset Scan (TESS)，用于在随机实验中确定哪个子人群受到治疗的影响最大，实验表明该方法可以发现异质性治疗效果.
- 异质性处理效应的准预言估计
本文提出了一个针对观测研究中异质性处理效应估计的两阶段算法，其中，通过估计边际效应和治疗倾向来形成一个分离因果信号的客观函数，然后优化这个数据自适应的目标函数。我们的方法具有灵活性和易用性，并且针对不同的实际情况也有优势。
- 贝叶斯回归树模型用于因果推断：正则化，混淆和异质效应
提出了一种针对小效应、异质性效应和强混淆情况下估计异质性治疗效应的新型非线性回归模型，它通过直接将倾向函数估计值纳入响应模型的规范化中，隐式地在回归函数上产生一个协变量依赖的先验，从而回避了标准非线性回归模型在针对混淆强的数据上所产生的治疗 - 使用机器学习估计异质性治疗效果的元学习器
介绍了一种利用机器学习和统计学中的任何监督式学习或回归方法来估计条件平均处理效应（CATE）函数的元算法，其中包括一种新的元学习者 X-learner，通过广泛的模拟研究和两个政治学实验表明该算法的有效性和应用。
- 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。
- 高维数据的程序评估和因果推论
本文提供了针对丰富的数据环境中的各种处理效应，包括局部平均处理效应（LATE）和局部分位数处理效应（LQTE）的高效估计量和诚实置信区间。 我们的框架涵盖了处理的内生接收，异质性处理效应和函数值结果等特殊情况。
- 随机方案评估中治疗效果异质性的估计
本文研究对社会项目和医疗方案的疗效进行随机实验评估时，如何准确评估其异质性治疗效应，进而为大量可用的治疗方案选择最有效的方案，确定治疗成功或失败的人群，以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性