Local conformal prediction for individual causal effects
个体因果效应的局部保形预测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：摘要研究个体处理效应及反事实预测区间，并明确给出因果识别假设。
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
个体因果效应的局部保形预测
- 研究问题
- 在处理效应高度异质时，如何为某个查询个体的因果效应构造预测区间，并区分个体效应覆盖与条件均值的置信区间？
- 方法与思路
- 作者用因果森林变量重要性加权的余弦相似度选择局部校准样本，结合合成扩充及具有 Neyman 正交性的 AIPW 评分。
- 材料陈述的贡献
- 摘要称，在 SUTVA、强可忽略性及校准集选择与结果无关等条件下，区间达到名义边际覆盖，并支持近似条件覆盖。
- 阅读关注点
- 应核对个体反事实效应的定义、覆盖概率的随机性来源，以及局部筛选、合成扩充和评分估计是否满足保形校准要求。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未完整说明覆盖证明，边际覆盖也不能直接视为逐个个体的条件覆盖。
原文摘要
Standard CATE estimators become inadequate under strong treatment-effect heterogeneity: confidence intervals for conditional means need not cover individual counterfactual effects. We propose an Individualized Causal Prediction (ICP) framework that constructs finite-sample valid conformal prediction intervals for the individual causal effect of a specific query unit. The method localizes calibration to a causally relevant neighborhood using cosine similarity weighted by Causal Forest variable importance, augments small local samples synthetically, and calibrates intervals with doubly robust AIPW conformity scores satisfying Neyman orthogonality. Under standard identifying assumptions (SUTVA and strong ignorability) and an outcome-independent calibration-set selection condition, the resulting intervals attain marginal coverage at the nominal level. The local design also supports approximately conditional coverage by making calibration scores more representative of the query unit. Experiments on a high-heterogeneity synthetic dataset and the IHDP benchmark demonstrate that local strategies improve point accuracy over global baselines while maintaining nominal or above-nominal coverage.