Ensemble Method for Estimating Individualized Treatment Effects
个体化处理效应估计的集成方法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：摘要直接研究随机实验中的个体化处理效应估计及候选因果模型的集成。
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
个体化处理效应估计的集成方法
- 研究问题
- 随机实验中个体处理效应的真值不可观测时，如何整合多个候选模型的估计，并避免仅选择单一模型带来的准确性损失？
- 方法与思路
- 作者提出聚合多种模型处理效应估计的算法，在四十三个基准数据集上比较集成与模型选择，并分析候选模型数增长时的性质。
- 材料陈述的贡献
- 摘要称，集成在基准比较中几乎总是胜出，并证明在其理论条件下，渐近准确性至少达到候选库中最佳模型的水平。
- 阅读关注点
- 应核对集成权重如何学习、准确性的损失函数、理论条件及模型库增长限制，以及基准数据如何获得可评价的效应真值。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未经核验；摘要未说明保证所需条件，渐近比较不能直接推出所有小样本情形的优势。
原文摘要
In many medical and business applications, researchers are interested in estimating individualized treatment effects using data from a randomized experiment. For example in medical applications, doctors learn the treatment effects from clinical trials and in technology companies, researchers learn them from A/B testing experiments. Although dozens of machine learning models have been proposed for this task, it is challenging to determine which model will be best for the problem at hand because ground-truth treatment effects are unobservable. In contrast to several recent papers proposing methods to select one of these competing models, we propose an algorithm for aggregating the estimates from a diverse library of models. We compare ensembling to model selection on 43 benchmark datasets, and find that ensembling wins almost every time. Theoretically, we prove that our ensemble model is (asymptotically) at least as accurate as the best model under consideration, even if the number of candidate models is allowed to grow with the sample size.