2D score based estimation of heterogeneous treatment effects
基于二维得分的异质性处理效应估计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：摘要直接研究观测数据中的条件平均处理效应、匹配与效应异质性。
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…
基于二维得分的异质性处理效应估计
- 研究问题
- 在高维观测研究中，如何兼顾处理效应估计的准确性与可解释性，并用倾向得分和预后得分刻画效应异质性？
- 方法与思路
- 作者先联合倾向得分与预后得分进行匹配，构造个体效应代理，再用非参数回归树估计以两类得分为条件的平均处理效应。
- 材料陈述的贡献
- 摘要称该框架可在二维得分网格上形成可解释的效应子群，并在多组模拟及两项观测数据应用中展示估计表现。
- 阅读关注点
- 应核对因果识别假设、两类得分的估计方式、匹配代理的偏差，以及得分条件效应与原始协变量条件效应的关系。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明识别条件及具体误差指标，不能确认其普遍优越性。
原文摘要
Statisticians show growing interest in estimating and analyzing heterogeneity in causal effects in observational studies. However, there usually exists a trade-off between accuracy and interpretability for developing a desirable estimator for treatment effects, especially in the case when there are a large number of features in estimation. To make efforts to address the issue, we propose a score-based framework for estimating the Conditional Average Treatment Effect (CATE) function in this paper. The framework integrates two components: (i) leverage the joint use of propensity and prognostic scores in a matching algorithm to obtain a proxy of the heterogeneous treatment effects for each observation, (ii) utilize non-parametric regression trees to construct an estimator for the CATE function conditioning on the two scores. The method naturally stratifies treatment effects into subgroups over a 2d grid whose axis are the propensity and prognostic scores. We conduct benchmark experiments on multiple simulated data and demonstrate clear advantages of the proposed estimator over state of the art methods. We also evaluate empirical performance in real-life settings, using two observational data from a clinical trial and a complex social survey, and interpret policy implications following the numerical results.