Efficient Heterogeneous Treatment Effect Estimation With Multiple Experiments and Multiple Outcomes
结合多个实验与多个结局高效估计异质性处理效应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：摘要直接研究实验中的异质性处理效应估计及跨实验信息共享。
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…
结合多个实验与多个结局高效估计异质性处理效应
- 研究问题
- 即使只关注某个实验中的单一结局，能否利用其他实验与其他结局之间的相关性，提高该实验异质性处理效应的估计精度？
- 方法与思路
- 作者在张量分解框架中联合分析多实验、多结局数据，提出简单且可扩展的低秩 LR-learner，并用合成和真实数据评估。
- 材料陈述的贡献
- 摘要称跨实验与跨结局的相关性可改善效应估计精度，实验显示 LR-learner 相较分别估计可能具有明显精度优势。
- 阅读关注点
- 读全文时应核对低秩结构的含义、实验与结局如何对齐、精度评价指标，以及共享信息是否引入偏差或影响区间推断。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未给出低秩假设、理论保证或精度提升的具体幅度。
原文摘要
Learning heterogeneous treatment effects (HTEs) is an important problem across many fields. Most existing methods consider the setting with a single treatment arm and a single outcome metric. However, in many real world domains, experiments are run consistently - for example, in internet companies, A/B tests are run every day to measure the impacts of potential changes across many different metrics of interest. We show that even if an analyst cares only about the HTEs in one experiment for one metric, precision can be improved greatly by analyzing all of the data together to take advantage of cross-experiment and cross-outcome metric correlations. We formalize this idea in a tensor factorization framework and propose a simple and scalable model which we refer to as the low rank or LR-learner. Experiments in both synthetic and real data suggest that the LR-learner can be much more precise than independent HTE estimation.