Comment on "Sequential validation of treatment heterogeneity" and "Comment on generic machine learning inference on heterogeneous treatment effects in randomized experiments"
关于处理效应异质性序贯验证与随机实验机器学习推断评论的回应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：摘要明确讨论条件平均处理效应的汇总特征与异质性推断，并涉及样本拆分，因此直接归入因果推断方向。
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…
关于处理效应异质性序贯验证与随机实验机器学习推断评论的回应
- 研究问题
- 在先估计条件平均处理效应代理、再通过样本拆分推断其汇总特征的研究中，应如何理解现有方案和替代推断路径？
- 方法与思路
- 作者回应两篇评论，重申代理估计后针对 CATE 汇总特征进行推断的思路，并讨论样本拆分所带来的推断议题。
- 材料陈述的贡献
- 摘要主要说明作者对评论与替代方案的立场，承认当前提案并非唯一选择，并将样本拆分推断列为后续研究方向。
- 阅读关注点
- 应结合被评论文章核对目标汇总特征、代理估计和样本拆分的具体操作，以及替代方法与原提案的推断区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要为回应性讨论，未提供新定理、算法细节或方法性能证据。
原文摘要
We warmly thank Kosuke Imai, Michael Lingzhi Li, and Stefan Wager for their gracious and insightful comments. We are particularly encouraged that both pieces recognize the importance of the research agenda the lecture laid out, which we see as critical for applied researchers. It is also great to see that both underscore the potential of the basic approach we propose - targeting summary features of the CATE after proxy estimation with sample splitting. We are also happy that both papers push us (and the reader) to continue thinking about the inference problem associated with sample splitting. We recognize that our current paper is only scratching the surface of this interesting agenda. Our proposal is certainly not the only option, and it is exciting that both papers provide and assess alternatives. Hopefully, this will generate even more work in this area.