Nonparametric inference for sublevel-set probabilities of conditional average treatment effect functions
条件平均处理效应函数下水平集概率的非参数推断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：摘要研究条件处理效应的阈值概率及其分布曲线，同时涉及效应异质性的因果目标与分布层面的估计推断。
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…
关注这篇论文的作者
条件平均处理效应函数下水平集概率的非参数推断
- 研究问题
- 如何估计条件平均处理效应不超过给定阈值的人口比例，并随阈值变化形成一条便于呈现总体效应异质性的曲线？
- 方法与思路
- 作者针对非路径可微的目标曲线构造结合机器学习的 Grenander 型估计，并对最佳分段线性近似提出去偏机器学习估计。
- 材料陈述的贡献
- 摘要称，原始曲线在非参数模型下不具路径可微性，其最佳分段线性近似则具此性质；论文为两类目标提供估计方法。
- 阅读关注点
- 应核对目标曲线与个体效应分布的区别、非路径可微性的成立条件、单调估计的推断，以及分段线性近似的定义和误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；曲线描述条件平均效应的总体分布，摘要未说明其等同于个体效应分布。
原文摘要
The average treatment effect can obscure important heterogeneity when individuals respond differently to a treatment. While the conditional average treatment effect (CATE) function captures such heterogeneity, it is difficult to communicate when it depends on many covariates. Sublevels sets of a multivariate CATE function are equally complicated objects, but the probability of a sublevel set of a CATE function is a single number with a simple interpretation as the proportion of individuals whose expected treatment effect does not exceed a prespecified threshold. By varying the threshold, a univariate monotone curve appears which can be used to visualize the overall type and degree of heterogeneity in a population. We formalize this curve as a target parameter and show that it is not pathwise differentiable under a nonparametric model. To address this nonstandard estimation problem, we leverage recent advances in monotone function estimation and develop a Grenander-type estimator that incorporates machine learning. We also show that the best piecewise linear approximation to the curve of interest is a pathwise differentiable parameter, and we develop a debiased machine learning estimator of this approximation. We investigate our proposed estimators' finite sample performance in a sequence of numerical studies based on data synthesized from a randomized trial. The methods are illustrated in data from a randomized trial on diabetes medication.