Hierarchical Bias-Driven Stratification for Interpretable Causal Effect Estimation
用于可解释因果效应估计的分层偏差驱动分层方法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：摘要直接讨论观察数据的处理效应估计、协变量平衡、正值性与目标人群。
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…
用于可解释因果效应估计的分层偏差驱动分层方法
- 研究问题
- 如何从观察数据中形成可解释的协变量分层，改善处理分配平衡，并识别缺乏正值性而不宜纳入推断的子群？
- 方法与思路
- 作者提出 BICauseTree，以定制目标函数构建决策树来改善平衡，并识别、排除正值性不足的子群及描述目标人群。
- 材料陈述的贡献
- 摘要称，该方法提供可解释的平衡与目标人群定义，在合成及接近真实的数据中表现与已有方法相当，并分析偏差与解释性的权衡。
- 阅读关注点
- 应核对树的分裂目标、局部自然实验的判定依据，以及排除子群后估计目标如何变化、平衡改善能否支持因果解释。
- 阅读边界
- 这是预印本，同行评审或接收未经核实。摘要未说明混杂控制假设或子群排除规则；协变量平衡本身不能保证因果识别。
原文摘要
Interpretability and transparency are essential for incorporating causal effect models from observational data into policy decision-making. They can provide trust for the model in the absence of ground truth labels to evaluate the accuracy of such models. To date, attempts at transparent causal effect estimation consist of applying post hoc explanation methods to black-box models, which are not interpretable. Here, we present BICauseTree: an interpretable balancing method that identifies clusters where natural experiments occur locally. Our approach builds on decision trees with a customized objective function to improve balancing and reduce treatment allocation bias. Consequently, it can additionally detect subgroups presenting positivity violations, exclude them, and provide a covariate-based definition of the target population we can infer from and generalize to. We evaluate the method's performance using synthetic and realistic datasets, explore its bias-interpretability tradeoff, and show that it is comparable with existing approaches.