Estimating individual treatment effects under unobserved confounding using binary instruments
利用二元工具变量在未观测混杂下估计个体处理效应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：摘要明确以二元工具变量处理未观测混杂并估计条件平均处理效应，机器学习和深度网络均服务于因果估计目标。
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
利用二元工具变量在未观测混杂下估计个体处理效应
- 研究问题
- 观察性数据存在未观测混杂时，如何利用二元工具变量估计条件平均处理效应，并降低多个辅助估计误差对收敛速度的影响？
- 方法与思路
- 作者提出 MRIV 多重稳健学习框架，通过伪结果回归直接估计 CATE，分析其收敛速度，并构建配套深度网络 MRIV-Net。
- 材料陈述的贡献
- 摘要称，多种辅助估计较慢时仍可获得快速收敛；当 CATE 比结果曲面更平滑时可优于插入式方法，并报告计算实验表现。
- 阅读关注点
- 核对二元工具变量识别 CATE 的完整条件、伪结果构造和多重稳健组合，以及速率比较所需平滑性与网络实现之间的关系。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或接收未核实；摘要未列完整工具变量假设，标题中的个体效应不能等同于可识别的个体反事实差。
原文摘要
Estimating conditional average treatment effects (CATEs) from observational data is relevant in many fields such as personalized medicine. However, in practice, the treatment assignment is usually confounded by unobserved variables and thus introduces bias. A remedy to remove the bias is the use of instrumental variables (IVs). Such settings are widespread in medicine (e.g., trials where the treatment assignment is used as binary IV). In this paper, we propose a novel, multiply robust machine learning framework, called MRIV, for estimating CATEs using binary IVs and thus yield an unbiased CATE estimator. Different from previous work for binary IVs, our framework estimates the CATE directly via a pseudo outcome regression. (1)~We provide a theoretical analysis where we show that our framework yields multiple robust convergence rates: our CATE estimator achieves fast convergence even if several nuisance estimators converge slowly. (2)~We further show that our framework asymptotically outperforms state-of-the-art plug-in IV methods for CATE estimation, in the sense that it achieves a faster rate of convergence if the CATE is smoother than the individual outcome surfaces. (3)~We build upon our theoretical results and propose a tailored deep neural network architecture called MRIV-Net for CATE estimation using binary IVs. Across various computational experiments, we demonstrate empirically that our MRIV-Net achieves state-of-the-art performance. To the best of our knowledge, our MRIV is the first multiply robust machine learning framework tailored to estimating CATEs in the binary IV setting.