Undersmoothing Causal Estimators with Generative Trees
利用生成树对因果估计器进行欠平滑处理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：摘要直接讨论观察数据中的平均及个体化处理效应、倾向得分重加权和模型误设，支持因果推断分类。
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…
利用生成树对因果估计器进行欠平滑处理
- 研究问题
- 观察数据中处理组与对照组的协变量分布不同、模型又可能误设时，如何提高个体化处理效应估计的稳健性与表现？
- 方法与思路
- 作者提出生成树方法，尝试直接处理模型误设以帮助后续因果估计，并实证比较不同模型类别及倾向得分等重加权方法。
- 材料陈述的贡献
- 摘要称，生成树方法的平均处理效应表现可与重加权方法竞争，而个体化处理效应表现更好，并展示模型类别选择的重要性。
- 阅读关注点
- 应核对生成树及欠平滑的具体机制、重叠与识别条件、个体效应评估所用真值或指标，以及比较方法的调参与公平性。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明具体算法、识别条件或性能数值，优越性仅为所述经验结果。
原文摘要
Inferring individualised treatment effects from observational data can unlock the potential for targeted interventions. It is, however, hard to infer these effects from observational data. One major problem that can arise is covariate shift where the data (outcome) conditional distribution remains the same but the covariate (input) distribution changes between the training and test set. In an observational data setting, this problem is materialised in control and treated units coming from different distributions. A common solution is to augment learning methods through reweighing schemes (e.g. propensity scores). These are needed due to model misspecification, but might hurt performance in the individual case. In this paper, we explore a novel generative tree based approach that tackles model misspecification directly, helping downstream estimators achieve better robustness. We show empirically that the choice of model class can indeed significantly affect the final performance and that reweighing methods can struggle in individualised effect estimation. Our proposed approach is competitive with reweighing methods on average treatment effects while performing significantly better on individualised treatment effects.