Improving uplift model evaluation on RCT data
改进随机对照试验数据中的增益模型评估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：摘要以随机试验中的治疗效应和基于个体治疗收益的模型评价为核心。
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
改进随机对照试验数据中的增益模型评估
- 研究问题
- 利用随机对照试验评估个体治疗分配模型时，如何减少 Qini 曲线和变换结局均方误差等指标受到的随机噪声干扰？
- 方法与思路
- 作者理论分析增益模型评估指标的方差，通过统计调整结局构造降方差方法，并在模拟和真实数据中考察其表现。
- 材料陈述的贡献
- 摘要称，论文给出调整改善评估指标方差的简单条件，并展示经验收益；作者据此主张在随机试验评估中默认采用这些调整。
- 阅读关注点
- 应核对降方差条件、结局调整的估计方式及其是否改变评价目标，并区分指标更稳定与模型实际治疗分配效果更好的证据。
- 阅读边界
- 依据的是 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未列出改善条件，也未证明默认使用建议适用于所有试验与模型。
原文摘要
Estimating treatment effects is one of the most challenging and important tasks of data analysts. In many applications, like online marketing and personalized medicine, treatment needs to be allocated to the individuals where it yields a high positive treatment effect. Uplift models help select the right individuals for treatment and maximize the overall treatment effect (uplift). A major challenge in uplift modeling concerns model evaluation. Previous literature suggests methods like the Qini curve and the transformed outcome mean squared error. However, these metrics suffer from variance: their evaluations are strongly affected by random noise in the data, which renders their signals, to a certain degree, arbitrary. We theoretically analyze the variance of uplift evaluation metrics and derive possible methods of variance reduction, which are based on statistical adjustment of the outcome. We derive simple conditions under which the variance reduction methods improve the uplift evaluation metrics and empirically demonstrate their benefits on simulated and real-world data. Our paper provides strong evidence in favor of applying the suggested variance reduction procedures by default when evaluating uplift models on RCT data.