The Connection Between R-Learning and Inverse-Variance Weighting for Estimation of Heterogeneous Treatment Effects
异质性处理效应估计中 R-Learning 与逆方差加权的联系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：摘要明确研究条件平均处理效应、异质性效应学习与倾向权重的稳定性。
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
异质性处理效应估计中 R-Learning 与逆方差加权的联系
- 研究问题
- 在条件平均处理效应的加权伪结果回归中，权重选择如何影响稳定性、偏差和收敛速度，R-Learning 与逆方差权重有何联系？
- 方法与思路
- 作者将多种方法写为加权伪结果回归，指出 R-Learning 隐含逆方差加权，并分析其偏差项、收敛速度及模拟表现。
- 材料陈述的贡献
- 摘要称，逆方差权重可缓解逆倾向权重的不稳定并简化偏差项；作者报告模拟优势及无需已知协变量分布的快速收敛率。
- 阅读关注点
- 应核对 R-Learning 等价表示的条件、逆方差权重的构造和估计误差，以及收敛率所需条件与比较方法的范围。
- 阅读边界
- 这是预印本，同行评审或接收未经核实。摘要未给出具体收敛率和假设；模拟优势及作者所称最快速度均需全文核验。
原文摘要
Many methods for estimating conditional average treatment effects (CATEs) can be expressed as weighted pseudo-outcome regressions (PORs). Previous comparisons of POR techniques have paid careful attention to the choice of pseudo-outcome transformation. However, we argue that the dominant driver of performance is actually the choice of weights. For example, we point out that R-Learning implicitly performs a POR with inverse-variance weights (IVWs). In the CATE setting, IVWs mitigate the instability associated with inverse-propensity weights, and lead to convenient simplifications of bias terms. We demonstrate the superior performance of IVWs in simulations, and derive convergence rates for IVWs that are, to our knowledge, the fastest yet shown without assuming knowledge of the covariate distribution.