Improving Data-driven Heterogeneous Treatment Effect Estimation Under Structure Uncertainty
因果结构不确定时改进数据驱动的异质处理效应估计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：摘要明确围绕因果结构不确定性、特征选择和异质处理效应估计展开，直接属于因果推断。
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
因果结构不确定时改进数据驱动的异质处理效应估计
- 研究问题
- 真实因果结构未知时，数据驱动的异质处理效应方法如何选择特征，避免忽略结构信息造成偏差，并降低个体效应估计误差？
- 方法与思路
- 作者提出兼顾特征对异质效应估计价值与相关因果结构学习的特征选择方法，并在合成、半合成和真实数据中评估现有方法的改进。
- 材料陈述的贡献
- 摘要称该特征选择算法在所测试数据中降低异质处理效应估计误差，并为考虑底层因果结构、改进既有数据驱动方法提供经验证据。
- 阅读关注点
- 核对结构学习与特征筛选的条件，是否会误选中介或碰撞变量，以及真实数据如何评价效应误差和跨结构适用性的实验覆盖范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未给出识别保证和误差数值，经验结果不能证明对任意未知因果结构均有效。
原文摘要
Estimating how a treatment affects units individually, known as heterogeneous treatment effect (HTE) estimation, is an essential part of decision-making and policy implementation. The accumulation of large amounts of data in many domains, such as healthcare and e-commerce, has led to increased interest in developing data-driven algorithms for estimating heterogeneous effects from observational and experimental data. However, these methods often make strong assumptions about the observed features and ignore the underlying causal model structure, which can lead to biased HTE estimation. At the same time, accounting for the causal structure of real-world data is rarely trivial since the causal mechanisms that gave rise to the data are typically unknown. To address this problem, we develop a feature selection method that considers each feature's value for HTE estimation and learns the relevant parts of the causal structure from data. We provide strong empirical evidence that our method improves existing data-driven HTE estimation methods under arbitrary underlying causal structures. Our results on synthetic, semi-synthetic, and real-world datasets show that our feature selection algorithm leads to lower HTE estimation error.