Unveiling the Potential of Robustness in Selecting Conditional Average Treatment Effect Estimators
以稳健性为目标选择条件平均处理效应估计量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：摘要围绕条件平均处理效应估计量的选择及混杂问题展开，因此归入因果推断。
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…
以稳健性为目标选择条件平均处理效应估计量
- 研究问题
- 观测数据缺少个体反事实结果时，如何选择 CATE 估计量，并将对协变量分布变化和隐藏混杂的稳健性纳入评价？
- 方法与思路
- 作者提出分布稳健评价指标 DRM，无需拟合结果函数、倾向函数等干扰参数模型，用其选择面向分布变化的 CATE 估计量。
- 材料陈述的贡献
- 摘要称，该指标免除干扰参数拟合，并在实验中有效选出对协变量偏移和隐藏混杂所引起分布变化更稳健的估计量。
- 阅读关注点
- 应核对 DRM 的定义、分布不确定集合和选择准则，尤其区分评价指标的稳健性与处理效应本身的因果识别。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明识别假设、实验范围或隐藏混杂下可保证的结论。
原文摘要
The growing demand for personalized decision-making has led to a surge of interest in estimating the Conditional Average Treatment Effect (CATE). Various types of CATE estimators have been developed with advancements in machine learning and causal inference. However, selecting the desirable CATE estimator through a conventional model validation procedure remains impractical due to the absence of counterfactual outcomes in observational data. Existing approaches for CATE estimator selection, such as plug-in and pseudo-outcome metrics, face two challenges. First, they must determine the metric form and the underlying machine learning models for fitting nuisance parameters (e.g., outcome function, propensity function, and plug-in learner). Second, they lack a specific focus on selecting a robust CATE estimator. To address these challenges, this paper introduces a Distributionally Robust Metric (DRM) for CATE estimator selection. The proposed DRM is nuisance-free, eliminating the need to fit models for nuisance parameters, and it effectively prioritizes the selection of a distributionally robust CATE estimator. The experimental results validate the effectiveness of the DRM method in selecting CATE estimators that are robust to the distribution shift incurred by covariate shift and hidden confounders.