Empirical Analysis of Model Selection for Heterogeneous Causal Effect Estimation
异质因果效应估计中模型选择的实证分析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：摘要明确围绕条件平均处理效应估计及其模型选择开展比较。
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…
异质因果效应估计中模型选择的实证分析
- 研究问题
- 由于个体反事实无法同时观测，如何评价用于条件平均处理效应模型选择的替代指标，并判断其选择效果是否可靠？
- 方法与思路
- 作者比较既有及新提出的替代指标，通过 AutoML 调整指标相关超参数，并用生成建模纳入贴近现实的数据开展评估。
- 材料陈述的贡献
- 摘要称研究扩展了替代指标的经验比较，并据分析提出结合谨慎超参数选择与因果集成的新模型选择策略。
- 阅读关注点
- 核对替代指标的定义、生成数据的因果结构、调参和评估数据的划分，以及指标排序与真实效应误差之间的关系。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或被期刊接收；摘要未给出具体指标表现及推荐策略的适用条件。
原文摘要
We study the problem of model selection in causal inference, specifically for conditional average treatment effect (CATE) estimation. Unlike machine learning, there is no perfect analogue of cross-validation for model selection as we do not observe the counterfactual potential outcomes. Towards this, a variety of surrogate metrics have been proposed for CATE model selection that use only observed data. However, we do not have a good understanding regarding their effectiveness due to limited comparisons in prior studies. We conduct an extensive empirical analysis to benchmark the surrogate model selection metrics introduced in the literature, as well as the novel ones introduced in this work. We ensure a fair comparison by tuning the hyperparameters associated with these metrics via AutoML, and provide more detailed trends by incorporating realistic datasets via generative modeling. Our analysis suggests novel model selection strategies based on careful hyperparameter selection of CATE estimators and causal ensembling.