Using LLMs to Directly Guess Conditional Expectations Can Improve Efficiency in Causal Estimation
利用大语言模型直接猜测条件期望以改善因果估计效率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：摘要直接研究高维混杂下的双重机器学习与处理效应估计。
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…
关注这篇论文的作者
利用大语言模型直接猜测条件期望以改善因果估计效率
- 研究问题
- 在高维混杂变量下，生成模型对条件期望的直接猜测能否改善双重机器学习的辅助函数估计与因果估计效率？
- 方法与思路
- 作者将基于历史数据训练的生成模型所给猜测作为预测变量，辅助估计条件期望，并与仅使用模型嵌入的调整方式比较。
- 材料陈述的贡献
- 摘要称，直接使用生成模型预测可改善条件期望估计；在线珠宝拍卖的小样本案例显示，加入大语言模型猜测能提高估计效率。
- 阅读关注点
- 应核对猜测生成的输入与时间范围、数据泄漏防范、样本划分及辅助模型设定，并检查效率提升的衡量和比较方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明识别条件、具体效率增幅或跨数据集适用性。
原文摘要
We propose a simple yet effective use of LLM-powered AI tools to improve causal estimation. In double machine learning, the accuracy of causal estimates of the effect of a treatment on an outcome in the presence of a high-dimensional confounder depends on the performance of estimators of conditional expectation functions. We show that predictions made by generative models trained on historical data can be used to improve the performance of these estimators relative to approaches that solely rely on adjusting for embeddings extracted from these models. We argue that the historical knowledge and reasoning capacities associated with these generative models can help overcome curse-of-dimensionality problems in causal inference problems. We consider a case study using a small dataset of online jewelry auctions, and demonstrate that inclusion of LLM-generated guesses as predictors can improve efficiency in estimation.