Shrinkage-Based Regressions with Many Related Treatments
针对多种相关处理的收缩回归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：摘要明确研究观测因果模型中多种相关处理的子处理及聚合处理效应估计。
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
针对多种相关处理的收缩回归
- 研究问题
- 在观测因果模型中，多种相关且部分重叠的处理使单独效应估计过于嘈杂；如何稳定子处理效应并保留汇总处理效应的可重构性？
- 方法与思路
- 作者提出定制岭回归，在处理效应异质模型与同质模型之间进行收缩，使用计算较轻的方式估计子处理效应并重构聚合效应。
- 材料陈述的贡献
- 摘要称该估计量显著降低各子处理效应的均方误差，并通过理论、模拟和 Wayfair 应用说明其支持更有针对性的决策。
- 阅读关注点
- 应核对相关处理的效应定义与识别前提、惩罚结构、收缩强度选择及聚合公式，并检查均方误差改善对应哪些参数配置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明混杂控制、识别条件或改善幅度，收缩本身不能建立因果识别。
原文摘要
When using observational causal models, practitioners often want to disentangle the effects of many related, partially-overlapping treatments. Examples include estimating treatment effects of different marketing touchpoints, ordering different types of products, or signing up for different services. Common approaches that estimate separate treatment coefficients are too noisy for practical decision-making. We propose a computationally light model that uses a customized ridge regression to move between a heterogeneous and a homogenous model: it substantially reduces MSE for the effects of each individual sub-treatment while allowing us to easily reconstruct the effects of an aggregated treatment. We demonstrate the properties of this estimator in theory and simulation, and illustrate how it has unlocked targeted decision-making at Wayfair.