Data-Driven Estimation of Heterogeneous Treatment Effects
异质性处理效应的数据驱动估计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：摘要围绕观察与实验数据中的异质性处理效应、反事实预测和因果机制展开，直接对应因果推断方向。
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…
异质性处理效应的数据驱动估计
- 研究问题
- 当真实因果机制未知时，机器学习如何估计个体间不同的处理效应？论文关注特征假设和因果结构忽略带来的偏差。
- 方法与思路
- 作者综述反事实预测、直接因果效应估计及从数据学习结构因果模型的方法，并在不同结构机制下评估估计器与评价指标。
- 材料陈述的贡献
- 摘要明确贡献是方法分类与比较评估，展示现有估计器及性能指标的优势和不足，未宣称提出统一优于现有方法的新估计器。
- 阅读关注点
- 应核对各类方法所需的识别假设、实验中的因果机制与数据生成方式，以及不同指标能否衡量真正的效应估计误差。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未提供具体比较结果，不能据此判断某类算法普遍更优。
原文摘要
Estimating how a treatment affects different individuals, known as heterogeneous treatment effect estimation, is an important problem in empirical sciences. In the last few years, there has been a considerable interest in adapting machine learning algorithms to the problem of estimating heterogeneous effects from observational and experimental data. However, these algorithms often make strong assumptions about the observed features in the data and ignore the structure of the underlying causal model, which can lead to biased estimation. At the same time, the underlying causal mechanism is rarely known in real-world datasets, making it hard to take it into consideration. In this work, we provide a survey of state-of-the-art data-driven methods for heterogeneous treatment effect estimation using machine learning, broadly categorizing them as methods that focus on counterfactual prediction and methods that directly estimate the causal effect. We also provide an overview of a third category of methods which rely on structural causal models and learn the model structure from data. Our empirical evaluation under various underlying structural model mechanisms shows the advantages and deficiencies of existing estimators and of the metrics for measuring their performance.