Towards R-learner with Continuous Treatments
迈向连续处理的 R-learnerAI 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：摘要直接处理连续处理下条件平均处理效应的识别、估计及置信区间构建，因此归入因果推断。
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
迈向连续处理的 R-learner
- 研究问题
- 将 R-learner 从二元处理扩展到连续处理时，如何解决 R 损失不能直接施加函数零约束所带来的不可识别问题？
- 方法与思路
- 作者先用 Tikhonov 正则化识别中间函数，再用零约束算子恢复条件平均处理效应，并构建可搭配机器学习的正则化框架。
- 材料陈述的贡献
- 摘要称提出两步识别与连续处理 R-learner，并在 B 样条筛近似设定下建立误差率、渐近正态性和置信区间结果。
- 阅读关注点
- 应核对连续处理效应的定义与零约束、正则化参数选择及辅助函数要求，并检查 B 样条理论能否扩展至其他学习器。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明完整因果识别和正则条件，不能将样条理论推广至任意机器学习方法。
原文摘要
The R-learner is widely used in causal inference due to its flexibility and efficiency in estimating the conditional average treatment effect. However, extending the R-learner framework from binary to continuous treatments introduces a non-identifiability issue, as the functional zero constraint inherent to the conditional average treatment effect cannot be directly imposed in the R-loss under continuous treatments. To address this, we propose a two-step identification strategy: we first identify an intermediary function via Tikhonov regularization, and then recover the conditional average treatment effect using a zero-constraining operator. Building on this strategy, an $\ell_2$-regularized R-learner framework is developed to estimate the conditional average treatment effect for continuous treatments. The new framework accommodates modern, flexible machine learning algorithms to estimate both nuisance functions and target estimand. Theoretical properties are demonstrated when the target estimand is approximated by sieve approximation with B-splines, including error rates, asymptotic normality, and confidence intervals.