Conformal Prediction for Causal Effects of Continuous Treatments
连续治疗因果效应的共形预测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：摘要以连续治疗的潜在结局及倾向得分估计下的因果预测为核心。
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
连续治疗因果效应的共形预测
- 研究问题
- 当治疗变量连续且倾向得分需要从数据估计时，如何为不同治疗水平下的潜在结局构造具有有限样本保证的预测区间？
- 方法与思路
- 作者提出连续治疗潜在结局的共形预测方法，将倾向得分估计引入的额外不确定性纳入区间构造，并提供相应计算算法。
- 材料陈述的贡献
- 摘要称，方法在倾向得分未知时仍能形成有效的有限样本预测区间，并通过合成和真实数据实验展示其效果及计算实现。
- 阅读关注点
- 应核对因果识别和覆盖保证所需条件、倾向得分误差的处理方式，以及潜在结局预测区间与治疗效应区间之间的关系。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未完整说明有限样本保证的条件，作者的首创性陈述也不能仅凭摘要核实。
原文摘要
Uncertainty quantification of causal effects is crucial for safety-critical applications such as personalized medicine. A powerful approach for this is conformal prediction, which has several practical benefits due to model-agnostic finite-sample guarantees. Yet, existing methods for conformal prediction of causal effects are limited to binary/discrete treatments and make highly restrictive assumptions such as known propensity scores. In this work, we provide a novel conformal prediction method for potential outcomes of continuous treatments. We account for the additional uncertainty introduced through propensity estimation so that our conformal prediction intervals are valid even if the propensity score is unknown. Our contributions are three-fold: (1) We derive finite-sample prediction intervals for potential outcomes of continuous treatments. (2) We provide an algorithm for calculating the derived intervals. (3) We demonstrate the effectiveness of the conformal prediction intervals in experiments on synthetic and real-world datasets. To the best of our knowledge, we are the first to propose conformal prediction for continuous treatments when the propensity score is unknown and must be estimated from data.