Proximal Causal Learning of Conditional Average Treatment Effects
条件平均处理效应的近端因果学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究借助代理变量识别与学习条件平均处理效应及其异质性。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
条件平均处理效应的近端因果学习
- 研究问题
- 当观测协变量不足以支持条件可交换性时，如何依赖代理变量学习处理效应异质性，并为条件平均处理效应估计提供误差控制？
- 方法与思路
- 作者借鉴 R-learner 与 DR-learner 提出 P-learner，构造两阶段损失函数，使现成的损失最小化机器学习方法可用于代理变量因果推断。
- 材料陈述的贡献
- 摘要称，估计器可灵活实施；在核回归情形且辅助成分估计足够好时，作者给出条件平均处理效应估计误差的 oracle 界。
- 阅读关注点
- 应核对代理变量支持识别的条件、辅助成分的具体定义、两阶段损失如何构造，以及核回归误差界对辅助估计质量的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出代理识别假设或误差界形式，核回归结论不能自动推广到任意学习器。
原文摘要
Efficiently and flexibly estimating treatment effect heterogeneity is an important task in a wide variety of settings ranging from medicine to marketing, and there are a considerable number of promising conditional average treatment effect estimators currently available. These, however, typically rely on the assumption that the measured covariates are enough to justify conditional exchangeability. We propose the P-learner, motivated by the R- and DR-learner, a tailored two-stage loss function for learning heterogeneous treatment effects in settings where exchangeability given observed covariates is an implausible assumption, and we wish to rely on proxy variables for causal inference. Our proposed estimator can be implemented by off-the-shelf loss-minimizing machine learning methods, which in the case of kernel regression satisfies an oracle bound on the estimated error as long as the nuisance components are estimated reasonably well.