Robust inference for the treatment effect variance in experiments using machine learning
实验中利用机器学习推断处理效应方差的稳健方法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：摘要研究实验中的处理效应异质性、方差推断及定向施治收益，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
实验中利用机器学习推断处理效应方差的稳健方法
- 研究问题
- 实验中如何对可观测变量解释的处理效应方差进行有效区间推断，尤其避免该方差为零时错误检出异质性？
- 方法与思路
- 作者针对带预测第一阶段的多步估计量，将极限分布中的高阶项纳入置信区间，处理边界处影响函数局部退化。
- 材料陈述的贡献
- 摘要称，方法提供有效且计算快速的方差置信区间，并给出定向施治收益不超过该方差平方根一半的尖锐界。
- 阅读关注点
- 应核对VCATE与个体处理效应方差的区别、边界附近的覆盖保证、学习器条件，以及定向施治收益界的设定。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未列出区间有效性的完整条件，模拟表现和首创性尚无法核实。
原文摘要
Experimenters often collect baseline data to study heterogeneity. I propose the first valid confidence intervals for the VCATE, the treatment effect variance explained by observables. Conventional approaches yield incorrect coverage when the VCATE is zero. As a result, practitioners could be prone to detect heterogeneity even when none exists. The reason why coverage worsens at the boundary is that all efficient estimators have a locally-degenerate influence function and may not be asymptotically normal. I solve the problem for a broad class of multistep estimators with a predictive first stage. My confidence intervals account for higher-order terms in the limiting distribution and are fast to compute. I also find new connections between the VCATE and the problem of deciding whom to treat. The gains of targeting treatment are (sharply) bounded by half the square root of the VCATE. Finally, I document excellent performance in simulation and reanalyze an experiment from Malawi.