Matched Machine Learning: A Generalized Framework for Treatment Effect Inference With Learned Metrics
匹配机器学习：基于学习度量的处理效应推断框架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：摘要明确围绕观测研究中的匹配、平均处理效应与个体化处理效应推断展开，最直接对应因果推断方向。
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…
匹配机器学习：基于学习度量的处理效应推断框架
- 研究问题
- 能否利用机器学习学习匹配度量，在估计平均与个体化处理效应时兼顾灵活性和可解释性，并提供可用的统计推断？
- 方法与思路
- 作者用机器学习学习单位间的匹配度量，再以匹配估计结果和处理效应，建立渐近推断理论，并展示复杂图像协变量应用。
- 材料陈述的贡献
- 摘要称该框架涵盖若干已有方法，支持平均和个体化效应的近似置信区间，经验表现接近黑箱方法并优于部分匹配方法。
- 阅读关注点
- 应核对匹配度量的学习目标、因果识别与重叠条件、学习误差如何进入推断，以及个体化效应估计对象的准确含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列明识别和渐近条件，经验比较不能保证其他数据上的同等表现。
原文摘要
We introduce Matched Machine Learning, a framework that combines the flexibility of machine learning black boxes with the interpretability of matching, a longstanding tool in observational causal inference. Interpretability is paramount in many high-stakes application of causal inference. Current tools for nonparametric estimation of both average and individualized treatment effects are black-boxes that do not allow for human auditing of estimates. Our framework uses machine learning to learn an optimal metric for matching units and estimating outcomes, thus achieving the performance of machine learning black-boxes, while being interpretable. Our general framework encompasses several published works as special cases. We provide asymptotic inference theory for our proposed framework, enabling users to construct approximate confidence intervals around estimates of both individualized and average treatment effects. We show empirically that instances of Matched Machine Learning perform on par with black-box machine learning methods and better than existing matching methods for similar problems. Finally, in our application we show how Matched Machine Learning can be used to perform causal inference even when covariate data are highly complex: we study an image dataset, and produce high quality matches and estimates of treatment effects.