A Non-parametric Direct Learning Approach to Heterogeneous Treatment Effect Estimation under Unmeasured Confounding
未测量混杂下异质性处理效应的非参数直接学习方法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：摘要直接研究未测量混杂下利用工具变量识别和估计异质性处理效应。
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
未测量混杂下异质性处理效应的非参数直接学习方法
- 研究问题
- 当观测研究或存在不依从的试验无法保证无未测量混杂时，如何利用工具变量估计条件平均处理效应及其异质性？
- 方法与思路
- 作者提出借助工具变量估计CATE的一般框架，并构造旨在提高效率、抵御不同模型误设的估计量，用模拟和实例展示。
- 材料陈述的贡献
- 摘要称该框架允许存在未测量混杂，且所构造估计量在若干模型误设情形下具有更好的效率与稳健性，未报告具体数值。
- 阅读关注点
- 应核对工具变量识别CATE所需条件、目标人群与局部效应的关系，以及效率基准、稳健性组合和非参数学习步骤。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实。摘要未说明工具变量有效性及异质效应识别条件，不能认定一般CATE均可识别。
原文摘要
In many social, behavioral, and biomedical sciences, treatment effect estimation is a crucial step in understanding the impact of an intervention, policy, or treatment. In recent years, an increasing emphasis has been placed on heterogeneity in treatment effects, leading to the development of various methods for estimating Conditional Average Treatment Effects (CATE). These approaches hinge on a crucial identifying condition of no unmeasured confounding, an assumption that is not always guaranteed in observational studies or randomized control trials with non-compliance. In this paper, we proposed a general framework for estimating CATE with a possible unmeasured confounder using Instrumental Variables. We also construct estimators that exhibit greater efficiency and robustness against various scenarios of model misspecification. The efficacy of the proposed framework is demonstrated through simulation studies and a real data example.