Causal Q-Aggregation for CATE Model Selection
用于条件平均处理效应模型选择的因果 Q 聚合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：摘要直接研究条件平均处理效应模型选择、双重稳健损失及因果识别扩展。
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
用于条件平均处理效应模型选择的因果 Q 聚合
- 研究问题
- 真实个体处理效应不可同时观测时，如何选择或组合条件平均处理效应模型，并获得有理论依据的预言机遗憾界？
- 方法与思路
- 作者分析现有模型集成方法的遗憾率，提出使用双重稳健损失的 Q 聚合，并讨论工具变量和未观测混杂扩展。
- 材料陈述的贡献
- 摘要称其预言机选择遗憾率为 log(M)/n 加干扰函数误差乘积相关高阶项，且不要求候选模型接近真实效应。
- 阅读关注点
- 应核对遗憾与损失的定义、最优率所需条件、干扰函数误差项的控制方式，以及扩展设定中的识别要求。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未给出完整定理条件，半合成验证也不能证明普遍优势。
原文摘要
Accurate estimation of conditional average treatment effects (CATE) is at the core of personalized decision making. While there is a plethora of models for CATE estimation, model selection is a nontrivial task, due to the fundamental problem of causal inference. Recent empirical work provides evidence in favor of proxy loss metrics with double robust properties and in favor of model ensembling. However, theoretical understanding is lacking. Direct application of prior theoretical work leads to suboptimal oracle model selection rates due to the non-convexity of the model selection problem. We provide regret rates for the major existing CATE ensembling approaches and propose a new CATE model ensembling approach based on Q-aggregation using the doubly robust loss. Our main result shows that causal Q-aggregation achieves statistically optimal oracle model selection regret rates of $\frac{\log(M)}{n}$ (with $M$ models and $n$ samples), with the addition of higher-order estimation error terms related to products of errors in the nuisance functions. Crucially, our regret rate does not require that any of the candidate CATE models be close to the truth. We validate our new method on many semi-synthetic datasets and also provide extensions of our work to CATE model selection with instrumental variables and unobserved confounding.