Calibrated and Conformal Propensity Scores for Causal Effect Estimation
用于因果效应估计的校准与共形倾向得分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：摘要聚焦观察数据中的倾向得分、逆概率加权与双重稳健处理效应估计。
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
用于因果效应估计的校准与共形倾向得分
- 研究问题
- 学习得到的倾向得分概率是否需要校准，其概率质量如何影响逆概率加权和双重稳健估计？研究也关注极端权重问题。
- 方法与思路
- 作者提出简单的倾向得分再校准技术，分析校准与无偏估计之间的关系，并推导关联概率不确定性质量与因果效应误差的界。
- 材料陈述的贡献
- 摘要称，校准是所研究估计量无偏的必要条件，可严格改善所推导误差界并避免极端权重；实验还报告效应估计和分析速度的改善。
- 阅读关注点
- 应核对必要性命题的量词与条件、校准定义及数据划分方式，并查明共形方法如何参与估计、误差界改善与权重控制。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未说明定理条件或共形步骤，校准的必要性不代表充分性，也不替代因果识别条件。
原文摘要
Propensity scores are commonly used to estimate treatment effects from observational data. We argue that the probabilistic output of a learned propensity score model should be calibrated -- i.e., a predictive treatment probability of 90% should correspond to 90% of individuals being assigned the treatment group -- and we propose simple recalibration techniques to ensure this property. We prove that calibration is a necessary condition for unbiased treatment effect estimation when using popular inverse propensity weighted and doubly robust estimators. We derive error bounds on causal effect estimates that directly relate to the quality of uncertainties provided by the probabilistic propensity score model and show that calibration strictly improves this error bound while also avoiding extreme propensity weights. We demonstrate improved causal effect estimation with calibrated propensity scores in several tasks including high-dimensional image covariates and genome-wide association studies (GWASs). Calibrated propensity scores improve the speed of GWAS analysis by more than two-fold by enabling the use of simpler models that are faster to train.