Propensity Patchwork Kriging for Scalable Inference on Heterogeneous Treatment Effects
用于异质性处理效应可扩展推断的倾向得分拼接克里金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：摘要直接研究异质性处理效应，并使用倾向得分构建因果估计方法。
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
用于异质性处理效应可扩展推断的倾向得分拼接克里金
- 研究问题
- 如何降低高斯过程估计异质性处理效应的计算成本，同时缓解局部近似在分区边界产生的不连续问题？
- 方法与思路
- 作者按估计倾向得分划分数据，使用拼接克里金连接相邻区域，仅沿倾向得分维度施加处理效应连续性约束。
- 材料陈述的贡献
- 摘要称该方法可解释为分层估计的平滑扩展，在降低计算成本的同时避免简单局部近似的断裂，并通过模拟和应用展示。
- 阅读关注点
- 应核对因果识别条件、倾向得分估计误差、分区规则与连续性约束，以及计算收益是否伴随估计精度或覆盖率损失。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明识别条件、推断保证及计算成本下降的具体幅度。
原文摘要
Gaussian process-based models are attractive for estimating heterogeneous treatment effects (HTE), but their computational cost limits scalability in causal inference settings. In this work, we address this challenge by extending Patchwork Kriging into the causal inference framework. Our proposed method partitions the data according to the estimated propensity score and applies Patchwork Kriging to enforce continuity of HTE estimates across adjacent regions. By imposing continuity constraints only along the propensity score dimension, rather than the full covariate space, the proposed approach substantially reduces computational cost while avoiding discontinuities inherent in simple local approximations. The resulting method can be interpreted as a smoothing extension of stratification and provides an efficient approach to HTE estimation. The proposed method is demonstrated through simulation studies and a real data application.