Reevaluating Causal Estimation Methods with Data from a Product Release
利用产品发布数据重新评估因果估计方法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：摘要明确以实验效应为基准评估观察数据中的处理效应估计与因果机器学习方法。
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
利用产品发布数据重新评估因果估计方法
- 研究问题
- 现代因果机器学习能否从用户自主选择使用产品功能的观察数据中恢复实验基准效应，哪些建模选择决定高维数据分析的可信程度？
- 方法与思路
- 作者利用大型科技公司新功能的实验发布样本，以及同期自主选择使用该功能的用户样本，对观察数据中的因果估计进行基准比较。
- 材料陈述的贡献
- 摘要称恢复实验基准因果效应可行，但依赖谨慎的建模选择；研究以新的产品发布数据为基础，提出提高高维处理效应估计可信度的实践建议。
- 阅读关注点
- 应核对实验与自主选择样本的可比性、基准效应的定义、所比较的估计方法，以及建模选择如何影响混杂控制和对实验结果的复现。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出具体方法、最佳实践及误差数值，灵活拟合本身不能验证无混杂假设。
原文摘要
Recent developments in causal machine learning methods have made it easier to estimate flexible relationships between confounders, treatments and outcomes, making unconfoundedness assumptions in causal analysis more palatable. How successful are these approaches in recovering ground truth baselines? In this paper we analyze a new data sample including an experimental rollout of a new feature at a large technology company and a simultaneous sample of users who endogenously opted into the feature. We find that recovering ground truth causal effects is feasible -- but only with careful modeling choices. Our results build on the observational causal literature beginning with LaLonde (1986), offering best practices for more credible treatment effect estimation in modern, high-dimensional datasets.