Causal inference with Machine Learning-Based Covariate Representation
基于机器学习协变量表示的因果推断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：摘要直接将协变量表示用于随机实验设计和因果效应估计，因此归入因果推断。
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
基于机器学习协变量表示的因果推断
- 研究问题
- 平台随机实验拥有高维协变量时，如何利用历史实验或观测数据学习低维表示，以改善实验设计与处理效应估计？
- 方法与思路
- 作者提出机器学习辅助的协变量表示方法，借助同一平台的历史数据提取有效低维信息，再将表示用于设计和估计。
- 材料陈述的贡献
- 摘要称，作者为所提方法证明统计可靠性与性能保证，并通过数值实验展示其表现，以回应高维协变量下的实际困难。
- 阅读关注点
- 应核对历史数据与当前实验的可迁移条件、表示学习和估计的衔接，以及理论保证如何处理降维误差和数据复用。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明保证的具体条件及改善幅度，所述维度困难也不能视为普遍阈值。
原文摘要
Utilizing covariate information has been a powerful approach to improve the efficiency and accuracy for causal inference, which support massive amount of randomized experiments run on data-driven enterprises. However, state-of-art approaches can become practically unreliable when the dimension of covariate increases to just 50, whereas experiments on large platforms can observe even higher dimension of covariate. We propose a machine-learning-assisted covariate representation approach that can effectively make use of historical experiment or observational data that are run on the same platform to understand which lower dimensions can effectively represent the higher-dimensional covariate. We then propose design and estimation methods with the covariate representation. We prove statistically reliability and performance guarantees for the proposed methods. The empirical performance is demonstrated using numerical experiments.