Neyman Meets Causal Machine Learning: Experimental Evaluation of Individualized Treatment Rules
Neyman 与因果机器学习：个体化处理规则的实验评估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：摘要明确研究随机实验中个体化处理规则的因果效力评估及机器学习训练的不确定性。
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
Neyman 与因果机器学习：个体化处理规则的实验评估
- 研究问题
- 如何利用随机实验评估机器学习形成的个体化处理规则，并计入交叉拟合训练的不确定性；事后评估与事前随机分配规则的效率如何比较？
- 方法与思路
- 作者将 Neyman 重复抽样方法用于个体化处理规则的实验评估，处理交叉拟合引入的额外不确定性，并比较不同评估设计下的效率。
- 材料陈述的贡献
- 摘要称，方法适用于任意个体化处理规则且不依赖生成规则的机器学习算法性质；对于某些指标，事后实验评估可比事前评估更有效率。
- 阅读关注点
- 应核对规则效力的评价指标、训练随机性如何进入推断，以及事后与事前评估的具体设计；检查相对效率结论依赖哪些指标和条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出完整假设、方差公式与效率适用指标，不能据此认定事后评估总是更优。
原文摘要
A century ago, Neyman showed how to evaluate the efficacy of treatment using a randomized experiment under a minimal set of assumptions. This classical repeated sampling framework serves as a basis of routine experimental analyses conducted by today's scientists across disciplines. In this paper, we demonstrate that Neyman's methodology can also be used to experimentally evaluate the efficacy of individualized treatment rules (ITRs), which are derived by modern causal machine learning algorithms. In particular, we show how to account for additional uncertainty resulting from a training process based on cross-fitting. The primary advantage of Neyman's approach is that it can be applied to any ITR regardless of the properties of machine learning algorithms that are used to derive the ITR. We also show, somewhat surprisingly, that for certain metrics, it is more efficient to conduct this ex-post experimental evaluation of an ITR than to conduct an ex-ante experimental evaluation that randomly assigns some units to the ITR. Our analysis demonstrates that Neyman's repeated sampling framework is as relevant for causal inference today as it has been since its inception.