High Precision Causal Model Evaluation with Conditional Randomization
条件随机化下的高精度因果模型评估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：摘要直接研究条件随机化、逆概率加权与因果模型误差评估，因此归入因果推断。
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…
关注这篇论文的作者
条件随机化下的高精度因果模型评估
- 研究问题
- 在条件随机化而非完全随机试验环境中，如何评估因果模型预测误差，并降低逆概率加权造成的估计方差？
- 方法与思路
- 作者提出 pairs 估计量，对模型效应和实验效应使用相同的逆概率加权估计，利用共同加权产生的方差抵消。
- 材料陈述的贡献
- 摘要称，该估计量具有更小的渐近方差，经验研究显示评估表现改善，并提出其可能接近随机对照试验的评估精度。
- 阅读关注点
- 应核对因果误差的定义、两部分估计如何配对、倾向概率如何获得，以及渐近方差降低所需的具体条件。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未说明条件随机化的识别要求和比较数值，接近随机试验表现并非普遍保证。
原文摘要
The gold standard for causal model evaluation involves comparing model predictions with true effects estimated from randomized controlled trials (RCT). However, RCTs are not always feasible or ethical to perform. In contrast, conditionally randomized experiments based on inverse probability weighting (IPW) offer a more realistic approach but may suffer from high estimation variance. To tackle this challenge and enhance causal model evaluation in real-world conditional randomization settings, we introduce a novel low-variance estimator for causal error, dubbed as the pairs estimator. By applying the same IPW estimator to both the model and true experimental effects, our estimator effectively cancels out the variance due to IPW and achieves a smaller asymptotic variance. Empirical studies demonstrate the improved of our estimator, highlighting its potential on achieving near-RCT performance. Our method offers a simple yet powerful solution to evaluate causal inference models in conditional randomization settings without complicated modification of the IPW estimator itself, paving the way for more robust and reliable model assessments.