Causal Machine Learning for Moderation Effects
用于调节效应分析的因果机器学习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：摘要明确研究无混杂设定下的群体处理效应、效应异质性及去偏估计，直接属于因果推断。
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
用于调节效应分析的因果机器学习
- 研究问题
- 比较不同群体的平均处理效应时，如何排除其他协变量分布差异的影响，更清楚地解释关注变量对应的效应异质性？
- 方法与思路
- 作者定义按预先指定协变量分布平衡的群体平均处理效应，在无混杂的离散处理设定中采用双重去偏机器学习等方法。
- 材料陈述的贡献
- 摘要称新参数有助于区分群体构成与关注变量对应的效应差异，并在标准条件下给出估计量的根号样本量一致性和渐近正态性。
- 阅读关注点
- 应核对平衡分布的定义、无混杂与支持条件，以及比较平衡效应时的解释边界，并检查去偏估计所需的收敛条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未展开所谓标准条件，也未说明平衡后差异能否解释为调节变量的因果效应。
原文摘要
It is valuable for any decision maker to know the impact of decisions (treatments) on average and for subgroups. The causal machine learning literature has recently provided tools for estimating group average treatment effects (GATE) to better describe treatment heterogeneity. This paper addresses the challenge of interpreting such differences in treatment effects between groups while accounting for variations in other covariates. We propose a new parameter, the balanced group average treatment effect (BGATE), which measures a GATE with a specific distribution of a priori-determined covariates. By taking the difference between two BGATEs, we can analyze heterogeneity more meaningfully than by comparing two GATEs, as we can separate the difference due to the different distributions of other variables and the difference due to the variable of interest. The main estimation strategy for this parameter is based on double/debiased machine learning for discrete treatments in an unconfoundedness setting, and the estimator is shown to be $\sqrt{N}$-consistent and asymptotically normal under standard conditions. We propose two additional estimation strategies: automatic debiased machine learning and a specific reweighting procedure. Last, we demonstrate the usefulness of these parameters in a small-scale simulation study and in an empirical example.