Robust CATE Estimation Using Novel Ensemble Methods
使用新型集成方法稳健估计条件平均处理效应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：摘要直接研究条件平均处理效应、因果森林和元学习器的估计与集成。
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…
使用新型集成方法稳健估计条件平均处理效应
- 研究问题
- 面对未知的数据生成机制，如何减少条件平均处理效应估计对单一方法的依赖，使不同复杂度、样本量和机制下的表现更稳定？
- 方法与思路
- 作者比较因果森林与元学习器，提出对辅助函数进行模型堆叠的Stacked X-Learner，以及仅平均内部一致性最高模型的共识平均法。
- 材料陈述的贡献
- 摘要称，两种集成方法在多类测试场景中表现良好，包含癌症治疗通路驱动模型；堆叠X学习器相对其他集成方法也显示性能改善。
- 阅读关注点
- 应核对辅助函数堆叠的训练与评估划分、内部一致性的定义、模型筛选是否引入偏差，以及场景覆盖范围和处理效应误差指标。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要中的稳健性来自所测场景，未说明识别假设或推断保证，不能视为任意机制下的优势。
原文摘要
The estimation of Conditional Average Treatment Effects (CATE) is crucial for understanding the heterogeneity of treatment effects in clinical trials. We evaluate the performance of common methods, including causal forests and various meta-learners, across a diverse set of scenarios, revealing that each of the methods struggles in one or more of the tested scenarios. Given the inherent uncertainty of the data-generating process in real-life scenarios, the robustness of a CATE estimator to various scenarios is critical for its reliability. To address this limitation of existing methods, we propose two new ensemble methods that integrate multiple estimators to enhance prediction stability and performance - Stacked X-Learner which uses the X-Learner with model stacking for estimating the nuisance functions, and Consensus Based Averaging (CBA), which averages only the models with highest internal agreement. We show that these models achieve good performance across a wide range of scenarios varying in complexity, sample size and structure of the underlying-mechanism, including a biologically driven model for PD-L1 inhibition pathway for cancer treatment. Furthermore, we demonstrate improved performance by the Stacked X-Learner also when comparing to other ensemble methods, including R-Stacking, Causal-Stacking and others.