Assessing Estimate of CATE from Observational Data via an RCT Study
利用随机试验评估观测数据的条件平均治疗效应估计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：摘要以随机试验评估观测数据的条件平均治疗效应，并讨论未观测混杂检测。
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
利用随机试验评估观测数据的条件平均治疗效应估计
- 研究问题
- 如何利用随机试验证据直接评估从观测数据学得的条件平均治疗效应是否拟合良好，并提高对局部失配的检测能力？
- 方法与思路
- 作者提出 CAFE，按估计倾向得分等划分试验协变量空间，将观测数据导出的条件效应与分组试验平均效应比较，并构造最大型扩展。
- 材料陈述的贡献
- 摘要称，框架兼容多类效应学习器，提供原假设与备择下的理论保证；另提出检测未观测混杂的两阶段程序，并展示数值研究。
- 阅读关注点
- 应核对试验与观察样本的可比性要求、分组规则及检验功效，以及两阶段程序如何区分效应估计失配与未观测混杂。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列完整理论条件，分组平均拟合良好不能直接证明每个个体的效应估计准确。
原文摘要
Conditional average treatment effects (CATEs) are increasingly estimated from observational data and used to guide policy and individualized treatment decisions. Before such estimates can be trusted in practice, their predictive fitness needs to be assessed, yet observational data alone offer limited opportunities for doing so. We propose CATE Assessment via Fitness Evaluation (CAFE), a formal framework for directly assessing the goodness-of-fit of a CATE estimate learned from observational data, rather than the full underlying outcome model, using evidence from a randomized trial. CAFE partitions the trial covariate space according to estimated propensity scores (or the like) and compares observationally derived conditional treatment effects with group-level experimental averages. The framework accommodates a broad class of CATE learners, including parametric models and flexible machine learning methods such as causal forest and boosting. We establish theoretical guarantees under both the null and alternative hypotheses, and introduce a maximum-type extension to improve sensitivity to localized lack of fit. When both randomized trial and observational data are available, we further develop a two-stage procedure to detect the existence of unobserved confounders. Extensive numerical studies show the utility of the CAFE approach when assessing observational-derived CATE estimates.