Double Machine Learning Methods for Estimating Average Treatment Effects: A Comparative Study
估计平均处理效应的双重机器学习方法：比较研究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：摘要明确研究观察性数据中的平均处理效应、双重稳健估计和目标最大似然估计，属于因果推断。
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…
估计平均处理效应的双重机器学习方法：比较研究
- 研究问题
- 不同双重稳健估计策略如何使用处理模型和结果模型，结合机器学习后，在观察性队列研究中的 ATE 估计表现有何差异？
- 方法与思路
- 作者比较多种双重稳健方法及不同处理、结果建模方式，通过广泛模拟和真实应用评估机器学习组合，并给出实践指导。
- 材料陈述的贡献
- 摘要报告，在所比较的设定中，结合机器学习的目标最大似然估计等双重稳健方法总体表现最好，并提供应用建议。
- 阅读关注点
- 应核对比较方法、机器学习配置、样本划分、模拟设定和评价指标，并辨明文中双重机器学习的定义与实施步骤。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未说明识别条件或比较数值；双重稳健仍需相关条件，最优表现也依赖比较设定。
原文摘要
Observational cohort studies are increasingly being used for comparative effectiveness research to assess the safety of therapeutics. Recently, various doubly robust methods have been proposed for average treatment effect estimation by combining the treatment model and the outcome model via different vehicles, such as matching, weighting, and regression. The key advantage of doubly robust estimators is that they require either the treatment model or the outcome model to be correctly specified to obtain a consistent estimator of average treatment effects, and therefore lead to a more accurate and often more precise inference. However, little work has been done to understand how doubly robust estimators differ due to their unique strategies of using the treatment and outcome models and how machine learning techniques can be combined to boost their performance, which we call double machine learning estimators. Here we examine multiple popular doubly robust methods and compare their performance using different treatment and outcome modeling via extensive simulations and a real-world application. We found that incorporating machine learning with doubly robust estimators such as the targeted maximum likelihood estimator gives the best overall performance. Practical guidance on how to apply doubly robust estimators is provided.