Doubly cross-fit debiased machine learning of heterogeneous treatment effects under principal stratification
主分层下异质性处理效应的双重交叉拟合去偏机器学习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：摘要明确研究主分层条件因果效应、处理效应异质性及基于敏感性参数的识别与去偏估计。
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
主分层下异质性处理效应的双重交叉拟合去偏机器学习
- 研究问题
- 存在中间结果时，如何识别和学习主分层内部的条件因果效应异质性，并在放松单调性后处理嵌套干扰参数与统一区间推断？
- 方法与思路
- 作者结合主层可忽略性与优势比敏感性参数化，提出双重交叉拟合的双重稳健学习器，使用序贯正交去偏学习和正则化最小二乘筛法。
- 材料陈述的贡献
- 摘要称建立了 L² 与一致极限理论、oracle 效率和统一置信带；模拟及急性肺损伤随机试验应用展示始终存活人群内的效应异质性。
- 阅读关注点
- 应核对主层可忽略性和敏感性参数的含义、双重交叉拟合如何处理嵌套结构，以及双重稳健性、效率和统一置信带所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明敏感性参数如何设定、具体收敛条件或应用结果，随机化本身不自动识别主层效应。
原文摘要
Principal stratification provides a foundational framework for causal inference with intermediate outcomes by defining causal effects within subpopulations, yet existing work has largely focused on average effects across strata rather than treatment effect heterogeneity within strata. Such within-stratum heterogeneity informs individualized treatment decisions but the associated methods are sparse. We address this gap by studying the identification and estimation of the conditional principal causal effects under principal ignorability combined with an odds ratio sensitivity parameterization, which relaxes the monotonicity assumption. To efficiently learn these estimands, we propose a novel doubly cross-fit doubly robust machine learner that resolves the nested nuisance structure inherent to principal stratification. Leveraging sequential orthogonal debiased machine learning with regularized least-squares sieves, we derive $\mathcal{L}^2$ and uniform limit theory, establish oracle efficiency, and construct uniform confidence bands for the proposed estimator. We use simulations to demonstrate the finite-sample performance of our estimator, and provide an empirical analysis of a randomized trial in acute lung injury, revealing informative patterns of treatment effect heterogeneity within the always-survivor subpopulation.