Kernel methods for causal functions: dose, heterogeneous and incremental response curves
因果函数的核方法：剂量、异质性与增量响应曲线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。
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：摘要明确研究因果响应曲线，并将结果扩展到反事实分布。
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…
因果函数的核方法：剂量、异质性与增量响应曲线
- 研究问题
- 当处理和协变量可为离散或连续变量时，如何非参数估计剂量、异质性与增量响应曲线，并扩展到反事实分布？
- 方法与思路
- 作者利用再生核希尔伯特空间的分解性质构造核岭回归估计量，获得闭式解，并分析广义核岭回归的一致性和误差率。
- 材料陈述的贡献
- 摘要称，方法具有带有限样本收敛率的一致收敛结果，可扩展到前门与后门识别的因果函数，并用于职业培训政策评价。
- 阅读关注点
- 应核对各曲线的定义、前门和后门识别条件、核及正则化选择、统一收敛率的假设，以及反事实分布扩展的范围。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断识别假设在政策应用中是否成立，也不能将所报告模拟表现视为普遍优越性。
原文摘要
Abstract We propose estimators based on kernel ridge regression for nonparametric causal functions such as dose, heterogeneous and incremental response curves. The treatment and covariates may be discrete or continuous in general spaces. Because of a decomposition property specific to the reproducing kernel Hilbert space, our estimators have simple closed-form solutions. We prove uniform consistency with finite sample rates via an original analysis of generalized kernel ridge regression. We extend our main results to counterfactual distributions and to causal functions identified by front and back door criteria. We achieve state-of-the-art performance in nonlinear simulations with many covariates, and conduct a policy evaluation of the US Job Corps training programme for disadvantaged youths.