Robust Orthogonal Machine Learning of Treatment Effects
处理效应的稳健正交机器学习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：摘要直接针对观测数据中的平均处理效应、倾向得分和正交因果估计。
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…
处理效应的稳健正交机器学习
- 研究问题
- 使用观测数据估计平均处理效应时，如何缓解倾向得分接近零或一导致的误差叠加与极端估计，并保留正交性和双重稳健性？
- 方法与思路
- 作者提出稳健因果学习估计量，讨论高阶正交、一致性和双重稳健性质，并在模拟、基准数据及生成的消费信贷数据上比较。
- 材料陈述的贡献
- 摘要称所提估计量消除所讨论的误差叠加问题，保留一致性和双重稳健性，并在所设实验中比 DML 等方法表现更稳定。
- 阅读关注点
- 应核对误差叠加的精确定义、高阶正交与双重稳健的条件、接近边界的倾向得分处理，以及实验中的调参与误差指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明重叠性和收敛条件，稳定性陈述不等于在缺乏识别时仍可可靠估计。
原文摘要
Causal learning is the key to obtaining stable predictions and answering \textit{what if} problems in decision-makings. In causal learning, it is central to seek methods to estimate the average treatment effect (ATE) from observational data. The Double/Debiased Machine Learning (DML) is one of the prevalent methods to estimate ATE. However, the DML estimators can suffer from an \textit{error-compounding issue} and even give extreme estimates when the propensity scores are close to 0 or 1. Previous studies have overcome this issue through some empirical tricks such as propensity score trimming, yet none of the existing works solves it from a theoretical standpoint. In this paper, we propose a \textit{Robust Causal Learning (RCL)} method to offset the deficiencies of DML estimators. Theoretically, the RCL estimators i) satisfy the (higher-order) orthogonal condition and are as \textit{consistent and doubly robust} as the DML estimators, and ii) get rid of the error-compounding issue. Empirically, the comprehensive experiments show that: i) the RCL estimators give more stable estimations of the causal parameters than DML; ii) the RCL estimators outperform traditional estimators and their variants when applying different machine learning models on both simulation and benchmark datasets, and a mimic consumer credit dataset generated by WGAN.