Causal isotonic calibration for heterogeneous treatment effects
异质性处理效应的因果保序校准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：摘要明确研究异质性处理效应预测的校准，并依赖倾向得分与结果回归，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…
异质性处理效应的因果保序校准
- 研究问题
- 如何校准任意学习算法给出的异质性处理效应预测，并在避免单独留出校准样本的同时获得可靠的校准保证？
- 方法与思路
- 作者提出非参数因果保序校准，并利用交叉拟合构造交叉校准，将全部数据整合为单一校准后的处理效应预测器。
- 材料陈述的贡献
- 摘要称，两种方法在不要求单调性的弱条件下获得快速双重稳健校准率，并可包装黑箱学习器、保留预测表现。
- 阅读关注点
- 应核对校准误差的定义、倾向得分或结果回归的精度要求，以及分布无关保证与保留预测表现的具体含义。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未列出识别与正则条件，不能将校准保证等同于个体效应准确。
原文摘要
We propose causal isotonic calibration, a novel nonparametric method for calibrating predictors of heterogeneous treatment effects. Furthermore, we introduce cross-calibration, a data-efficient variant of calibration that eliminates the need for hold-out calibration sets. Cross-calibration leverages cross-fitted predictors and generates a single calibrated predictor using all available data. Under weak conditions that do not assume monotonicity, we establish that both causal isotonic calibration and cross-calibration achieve fast doubly-robust calibration rates, as long as either the propensity score or outcome regression is estimated accurately in a suitable sense. The proposed causal isotonic calibrator can be wrapped around any black-box learning algorithm, providing robust and distribution-free calibration guarantees while preserving predictive performance.