PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units
PUATE：处理组与未标记个体的高效平均处理效应估计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：摘要明确以处理状态部分缺失情况下的平均处理效应为目标，研究其半参数效率界及有效估计，直接属于因果推断。
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…
PUATE：处理组与未标记个体的高效平均处理效应估计
- 研究问题
- 当只能观测已知处理组和处理状态未知的混合组时，平均处理效应能否有效估计，其可达到的渐近精度界是什么？
- 方法与思路
- 作者将该问题视为正例与未标记学习及处理状态缺失的特殊情形，推导半参数效率界，并构造达到该界的效应估计量。
- 材料陈述的贡献
- 摘要称刻画了规则估计量可达到的最低渐近方差，并构造半参数有效的平均处理效应估计量，连接因果缺失数据与弱监督学习。
- 阅读关注点
- 应核对未知处理状态下的识别条件、已标记样本的形成机制，以及效率界所对应的模型和达到该界所需的估计条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明识别或缺失机制假设，不能据此认为任意未标记样本均可识别效应。
原文摘要
The estimation of average treatment effects (ATEs), defined as the difference in expected outcomes between treatment and control groups, is a central topic in causal inference. This study develops semiparametric efficient estimators for ATE in a setting where only a treatment group and an unlabeled group, consisting of units whose treatment status is unknown, are observed. This scenario constitutes a variant of learning from positive and unlabeled data (PU learning) and can be viewed as a special case of ATE estimation with missing data. For this setting, we derive the semiparametric efficiency bounds, which characterize the lowest achievable asymptotic variance for regular estimators. We then construct semiparametric efficient ATE estimators that attain these bounds. Our results contribute to the literature on causal inference with missing data and weakly supervised learning.