Model Selection for Estimating Treatment Effects
面向处理效应估计的模型选择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。
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估计及针对该目标的模型选择方法。
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
面向处理效应估计的模型选择
- 研究问题
- 当处理效应随基线协变量变化时，如何选择适合估计处理效应的模型，避免仅以回归函数拟合表现作为选择依据？
- 方法与思路
- 作者应用聚焦信息准则，并开发以处理效应估计误差为目标的交叉验证方法，结合模拟与一项临床试验进行说明。
- 材料陈述的贡献
- 摘要称，适当选择数据划分比例时，处理效应交叉验证具有模型选择一致性，并可比较不同模型类型的效应估计。
- 阅读关注点
- 应核对处理效应目标及误差准则、效应识别条件、数据划分比例的要求，以及一致性针对怎样的候选模型集合。
- 阅读边界
- 仅据 Crossref 摘要；摘要未说明识别假设、划分比例的具体条件和数值结果，不能将拟合目标的差异理解为任何方法必然更优。
原文摘要
Summary Researchers often believe that a treatment's effect on a response may be heterogeneous with respect to certain baseline covariates. This is an important premise of personalized medicine. Several methods for estimating heterogeneous treatment effects have been proposed. However, little attention has been given to the problem of choosing between estimators of treatment effects. Models that best estimate the regression function may not be best for estimating the effect of a treatment; therefore, there is a need for model selection methods that are targeted to treatment effect estimation. We demonstrate an application of the focused information criterion in this setting and develop a treatment effect cross-validation aimed at minimizing treatment effect estimation errors. Theoretically, treatment effect cross-validation has a model selection consistency property when the data splitting ratio is properly chosen. Practically, treatment effect cross-validation has the flexibility to compare different types of models. We illustrate the methods by using simulation studies and data from a clinical trial comparing treatments of patients with human immunodeficiency virus.