Quasi-oracle estimation of heterogeneous treatment effects
异质性处理效应的准 Oracle 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。
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：摘要直接研究观察性数据中的异质性处理效应，并以处理倾向和因果信号构造估计目标，因果推断方向依据明确。
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…
异质性处理效应的准 Oracle 估计
- 研究问题
- 在观察性研究中，如何灵活估计异质性处理效应，并减轻边际效应与处理倾向初步估计误差对最终效应估计的影响？
- 方法与思路
- 作者先估计边际效应和处理倾向，构建分离因果信号的数据自适应目标函数，再用损失最小化方法优化，并允许交叉验证调参。
- 材料陈述的贡献
- 摘要称，在惩罚核回归情形下，即使初步估计不很精确，也可达到已知两类干扰成分的 Oracle 误差界；模拟展示多种实现。
- 阅读关注点
- 应核对观察性因果效应的识别条件、目标函数构造、初步估计所需精度，以及准 Oracle 结论为何限于所述核回归情形。
- 阅读边界
- 仅据所给 Crossref 摘要；识别假设和具体误差率未说明，不能将核回归的理论保证推广到神经网络或所有学习器，也不能推断其他版本变化。
原文摘要
Summary Flexible estimation of heterogeneous treatment effects lies at the heart of many statistical applications, such as personalized medicine and optimal resource allocation. In this article we develop a general class of two-step algorithms for heterogeneous treatment effect estimation in observational studies. First, we estimate marginal effects and treatment propensities to form an objective function that isolates the causal component of the signal. Then, we optimize this data-adaptive objective function. The proposed approach has several advantages over existing methods. From a practical perspective, our method is flexible and easy to use: in both steps, any loss-minimization method can be employed, such as penalized regression, deep neural networks, or boosting; moreover, these methods can be fine-tuned by cross-validation. Meanwhile, in the case of penalized kernel regression, we show that our method has a quasi-oracle property. Even when the pilot estimates for marginal effects and treatment propensities are not particularly accurate, we achieve the same error bounds as an oracle with prior knowledge of these two nuisance components. We implement variants of our approach based on penalized regression, kernel ridge regression, and boosting in a variety of simulation set-ups, and observe promising performance relative to existing baselines.