Three-way Cross-Fitting and Pseudo-Outcome Regression for Estimation of Conditional Effects and other Linear Functionals
用于条件效应及其他线性泛函估计的三路交叉拟合与伪结果回归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、双重稳健估计与个体化处理决策。
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
用于条件效应及其他线性泛函估计的三路交叉拟合与伪结果回归
- 研究问题
- 如何将平均处理效应估计中的双重稳健方法用于条件平均处理效应，以支持个体层面决策并改善估计收敛速度？
- 方法与思路
- 作者结合三路交叉拟合与伪结果回归，分别用三个样本分区估计处理概率、结果条件期望并实施一阶偏差校正。
- 材料陈述的贡献
- 摘要称该组合可产生个性化效应估计，并在结果条件期望满足平滑性条件时获得较快收敛率，但未列出具体速率。
- 阅读关注点
- 应核对三路拆分与伪结果回归的完整流程、双重稳健性的准确含义，以及平滑性要求和收敛率对辅助估计的依赖。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未说明识别假设或具体速率，题名中的其他线性泛函也未展开。
原文摘要
We propose an approach to better inform treatment decisions at an individual level by adapting recent advances in average treatment effect estimation to conditional average treatment effect estimation. Our work is based on doubly robust estimation methods, which combine flexible machine learning tools to produce efficient effect estimates while relaxing parametric assumptions about the data generating process. Refinements to doubly robust methods have achieved faster convergence by incorporating 3-way cross-fitting, which entails dividing the sample into three partitions, using the first to estimate the conditional probability of treatment, the second to estimate the conditional expectation of the outcome, and the third to perform a first order bias correction step. Here, we combine the approaches of 3-way cross-fitting and pseudo-outcome regression to produce personalized effect estimates. We show that this approach yields fast convergence rates under a smoothness condition on the conditional expectation of the outcome.