A causal fused lasso for interpretable heterogeneous treatment effects estimation
用于可解释异质性处理效应估计的因果融合lassoAI 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：摘要直接研究异质性处理效应、倾向得分匹配及因果子群估计。
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…
用于可解释异质性处理效应估计的因果融合lasso
- 研究问题
- 如何沿倾向得分或预后得分识别可解释的处理效应异质性，并让效应分组由数据决定而非事先固定？
- 方法与思路
- 作者先按得分排序并匹配处理组与对照组，再用融合lasso估计沿该排序分段恒定的效应，形成自适应子群。
- 材料陈述的贡献
- 摘要称，该估计量在一般条件下可一致估计给定得分的处理效应；实验展示其可解释性及与现有方法竞争的表现。
- 阅读关注点
- 应核对匹配与得分估计条件、惩罚参数选择，以及给定得分的效应与给定完整协变量的效应之间的区别。
- 阅读边界
- 这是arXiv预印本，同行评审及期刊接收未核实；摘要未列出完整识别与一致性条件，也未说明自适应子群的推断方法。
原文摘要
We propose a novel method for estimating heterogeneous treatment effects based on the fused lasso. By first ordering samples based on the propensity or prognostic score, we match units from the treatment and control groups. We then run the fused lasso to obtain piecewise constant treatment effects with respect to the ordering defined by the score. Similar to the existing methods based on discretizing the score, our methods yield interpretable subgroup effects. However, existing methods fixed the subgroup a priori, but our causal fused lasso forms data-adaptive subgroups. We show that the estimator consistently estimates the treatment effects conditional on the score under very general conditions on the covariates and treatment. We demonstrate the performance of our procedure using extensive experiments that show that it can be interpretable and competitive with state-of-the-art methods.