Kernel methods for long term dose response curves
长期剂量反应曲线的核方法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：摘要明确估计长期因果剂量反应曲线，并扩展到长期反事实分布，直接支持因果推断与分位数及分布效应分类。
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
长期剂量反应曲线的核方法
- 研究问题
- 当实验只收集短期结果、行动可能连续时，如何外推长期剂量反应曲线，并允许短期与长期结果的联系存在非线性和异质性？
- 方法与思路
- 作者基于核岭回归提出非参数估计，通过核嵌入短期实验数据分布构造可解释外推权重，并将分析扩展到长期反事实分布。
- 材料陈述的贡献
- 摘要称，研究证明一致的均匀收敛及反映有效维度的非渐近误差界，并对长期反事实分布证明弱收敛，应用于 STAR 班级规模实验。
- 阅读关注点
- 应核对从短期结果外推长期效应的识别依据、所需数据来源，以及核与正则化选择、有效维度条件和分布弱收敛的具体对象。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明完整外推识别条件和误差界表达，实验随机化不独自保证长期外推。
原文摘要
A core challenge in causal inference is how to extrapolate long term effects, of possibly continuous actions, from short term experimental data. It arises in artificial intelligence: the long term consequences of continuous actions may be of interest, yet only short term rewards may be collected in exploration. For this estimand, called the long term dose response curve, we propose a simple nonparametric estimator based on kernel ridge regression. By embedding the distribution of the short term experimental data with kernels, we derive interpretable weights for extrapolating long term effects. Our method allows actions, short term rewards, and long term rewards to be continuous in general spaces. It also allows for nonlinearity and heterogeneity in the link between short term effects and long term effects. We prove uniform consistency, with nonasymptotic error bounds reflecting the effective dimension of the data. As an application, we estimate the long term dose response curve of Project STAR, a social program which randomly assigned students to various class sizes. We extend our results to long term counterfactual distributions, proving weak convergence.