Flexible machine learning estimation of conditional average treatment effects: a blessing and a curse
灵活机器学习估计条件平均处理效应：优势与隐患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：摘要同时研究条件平均处理效应和个体处理效应的分布、方差与异质性，对应因果推断及分布效应方向。
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…
灵活机器学习估计条件平均处理效应：优势与隐患
- 研究问题
- 当观测特征无法解释全部效应异质性时，条件平均处理效应的分布与个体处理效应分布会如何不同，能否量化遗漏异质性？
- 方法与思路
- 作者扩展因果随机森林以估计处理组与对照组的条件方差差，并在个体效应与未处理潜在结果条件独立的假设下识别效应方差。
- 材料陈述的贡献
- 摘要展示条件平均效应分布不能代表全部个体异质性，并称扩展方法在所述额外因果假设下可估计个体效应分布的方差。
- 阅读关注点
- 应核对条件独立假设的含义、方差识别公式，以及方差差较小为何不能单凭其自身证明个体效应与条件平均效应分布相同。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；识别依赖不可检验的因果假设，摘要也未提供森林估计的完整理论条件。
原文摘要
Causal inference from observational data requires untestable identification assumptions. If these assumptions apply, machine learning (ML) methods can be used to study complex forms of causal effect heterogeneity. Recently, several ML methods were developed to estimate the conditional average treatment effect (CATE). If the features at hand cannot explain all heterogeneity, the individual treatment effects (ITEs) can seriously deviate from the CATE. In this work, we demonstrate how the distributions of the ITE and the CATE can differ when a causal random forest (CRF) is applied. We extend the CRF to estimate the difference in conditional variance between treated and controls. If the ITE distribution equals the CATE distribution, this estimated difference in variance should be small. If they differ, an additional causal assumption is necessary to quantify the heterogeneity not captured by the CATE distribution. The conditional variance of the ITE can be identified when the individual effect is independent of the outcome under no treatment given the measured features. Then, in the cases where the ITE and CATE distributions differ, the extended CRF can appropriately estimate the variance of the ITE distribution while the CRF fails to do so.