Causal Effect Inference for Structured Treatments
University College London(伦敦大学学院);University of Oxford(牛津大学)
我们解决了结构化治疗的条件平均治疗效果(CATE)的估计(例如,图表、图像、文本)。给出了一个弱条件的效果,我们提出了广义罗宾逊分解,其中(i)隔离的因果估计(减少正则化偏差),(ii)允许一个插件任意模型的学习,(iii)在温和的假设下具有准预言收敛保证。在小世界和分子图的实验中,我们证明了我们的方法在CATE估计中优于以前的工作。
2021-10-27 cs.LG stat.ML
Sparsity Double Robust Inference of Average Treatment Effects
许多流行的方法用于在高维混杂下建立因果效应的置信区间,需要强的“超稀疏”假设,这可能难以在实践中验证。为了减轻这一困难,我们在这里研究一种新的方法,平均治疗效果估计,产生渐近精确的置信区间,假设条件响应面或治疗的条件概率允许超稀疏表示(但不一定两者)。这种保证使我们能够在比现有基线更普遍的情况下,为高维的平均治疗效果提供有效的推断。此外,我们展示了我们的结果是半参数有效的。
2019-05-02 econ.EM math.ST stat.ME
High-dimensional Inference for Dynamic Treatment Effects
University of California San Diego(加州大学圣地亚哥分校);Renmin University of China(中国人民大学)
针对高维混杂因素下动态处理效应估计问题,提出一种针对中间条件结果模型的新颖双重稳健表示方法,在较弱假设下提供更优的稳健性保证和推断性能。
2023-05-16 cs.LG econ.EM math.ST
Cross-Treatment Effect Estimation for Multi-Category, Multi-Valued Causal Inference via Dynamic Neural Masking
Tsinghua University(清华大学)
针对多类别多数值处理因果推断中复杂交叉效应难建模的问题,提出动态神经掩蔽网络架构XTNet,通过分解策略与交叉效应估计模块高效建模组合处理空间,并引入MCMV-AUCC评估指标,实验证明其在排序准确性和效应估计上优于基线方法。
2025-11-03 cs.LG stat.ML
Estimating Average Treatment Effects via Orthogonal Regularization
ETH Zurich(苏黎世联邦理工学院)
决策通常需要从观察数据中准确估计治疗效果。这是一个挑战,因为替代决策的结果没有观察到,必须估计。以前的方法估计结果的基础上unconfoundedness,但忽略了任何约束,unconfoundedness强加的结果。在本文中,我们提出了一个新的正则化框架,估计平均治疗效果,利用unconfoundedness。为此,我们正式unconfoundedness作为一个正交性约束,这将确保结果是正交的治疗分配。该正交性约束然后经由正则化被包括在损失函数中。基于我们的正则化框架,我们开发了用于无混淆治疗的深度正交网络(DONUT),它学习与治疗分配正交的结果。使用各种基准数据集估计平均治疗效果,我们证明DONUT大大优于最先进的。
2021-10-13 cs.LG stat.ML
Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference
University of California Irvine(加州大学欧文分校);University of California San Francisco(加州大学旧金山分校);University of California Berkeley(加州大学伯克利分校)
本文提出基于保形扩散模型的个体处理效应估计与推断方法,融合扩散建模、保形推断、倾向评分及协变量局部近似,实现潜在结果分布无偏估计、置信区间构建和理论保证。
2024-08-02 cs.AI cs.LG stat.ME
Regression-adjusted average treatment effect estimates in stratified randomized experiments
研究人员经常使用线性回归来分析随机实验,通过调整治疗组和对照组中协变量的不平衡来改善治疗效果估计。我们的工作提供了一个基于随机化的推理框架,在分层随机实验中的回归调整。在较弱的条件下,重新建立了分层试验的有限总体中心极限定理。我们证明了分层均值差和回归调整的平均治疗效果估计量是一致的和渐近正态的。后者的渐近方差不大于,通常小于前者。我们还提供保守方差估计量来构建平均治疗效应的大样本置信区间。
2020-01-13 math.ST stat.TH
Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation
本文提出 Bayesian Causal Forest 算法的全连接神经网络实现,用于异质性处理效应估计,并在模拟数据和压力影响睡眠的数据集中验证其性能提升。
2024-05-06 cs.LG stat.ML
Estimation and Inference of Extremal Quantile Treatment Effects for Heavy-Tailed Distributions
本文针对重尾结局变量提出基于渐近尾部近似和因果Hill估计量的极值分位数处理效应估计方法,建立了渐近正态性与一致方差估计,并通过模拟和大学教育对工资影响的实证分析验证了方法的有效性。
2023-07-05 math.ST stat.ME stat.TH
Improved inference for doubly robust estimators of heterogeneous treatment effects
我们提出了一种双重稳健的方法来表征观察性研究中的处理效应异质性。我们开发了一个频率主义的推理程序,利用后验分布的倾向得分和结果回归模型提供有效的推理条件平均处理效应,即使当使用高维或非参数模型。我们表明,我们的方法会导致保守的推断在有限样本或模型误指定,并提供了一个一致的方差估计时,这两个模型都被正确指定。在模拟中,我们说明了这些结果在困难的设置,如高维协变量空间或高度灵活的模型的倾向得分和结果回归的效用。最后,我们分析了NHANES的环境暴露数据,以确定这些暴露的影响如何因受试者级别的特征而异。
2022-07-19 math.ST stat.AP stat.ME
Causal inference for interfering units with cluster and population level treatment allocation programs
当一个人的潜在结果取决于个人的治疗水平,但也取决于其他人的治疗水平时,就会产生干扰。在存在干扰的情况下,因果推断文献中的一个常见假设是部分干扰,这意味着群体可以被划分为个体集群,其潜在结果仅取决于同一集群内单元的处理。先前的文献已经定义了在反事实情景下的平均潜在结果,其中治疗被随机分配到集群内的单元。然而,在聚类内,可能存在或多或少可能基于协变量或邻居的处理来接收处理的单元。我们定义了新的估计,描述平均潜在的结果,现实的反事实的治疗分配方案,扩展现有的估计,考虑到单位的协变量和单位之间的依赖性的治疗分配。我们进一步提出了全新的估计,人口水平的干预措施,在集群的集合,这对应于在联邦(与集群或区域)一级的法规的激励设置。我们讨论这些估计,提出无偏估计量,并得出渐近结果的集群数量的增长。最后,我们估计的影响,在一个比较有效的研究发电厂减排技术对环境臭氧污染。
2018-05-14 math.ST stat.ME stat.TH
Average treatment effects in the presence of unknown interference
本文研究了随机试验中未知干扰下处理效应估计量的大样本性质。推断目标是平均治疗效果估计量的泛化,其边缘化了潜在的溢出效应。我们发现,估计通常用于估计治疗效果下无干扰是一致的广义估计几个常见的试验设计有限,但其他任意和未知的干扰。收敛速率取决于干扰量增长的速率及其与治疗分配相关性的一致程度。重要的从业者,结果意味着,如果一个错误的假设,单位不干扰设置有限,甚至中度,干扰,标准估计仍然可能接近平均治疗效果,如果样本足够大。然而,传统的置信度声明可能并不准确。
2019-10-23 math.ST stat.TH
On the Distinction Between "Conditional Average Treatment Effects" (CATE) and "Individual Treatment Effects" (ITE) Under Ignorability Assumptions
RAND Corporation(兰德公司)
近年来,注重估计“个体处理效应“的方法激增。这些方法通常侧重于在可接受性假设下对异质性处理效应的估计。本文希望提请注意这样一个事实,即没有什么必然的“个人”的影响下,可互换性假设和孤立的个人影响可能需要额外的假设。这种个体效应通常被更准确地描述为“条件性平均处理效应“,两者之间的混淆有可能阻碍个性化和个体化效应估计的进展。
2021-08-10 cs.LG stat.ME stat.ML
Conformal Inference of Counterfactuals and Individual Treatment Effects
评价处理效应异质性广泛地告知处理决策。目前,非常重视通过灵活的机器学习算法估计条件平均处理效应。虽然这些方法在一致性和收敛速度方面具有一定的理论吸引力,但它们在不确定性量化方面通常表现不佳。这令人不安,因为评估风险对于敏感和不确定环境中的可靠决策至关重要。在这项工作中,我们提出了一个共形推理为基础的方法,可以产生可靠的区间估计的反事实和个人处理效应下的潜在结果框架。对于完全随机化或分层随机化实验,无论未知的数据生成机制如何,区间都保证了有限样本的平均覆盖率。对于具有可验证依从性的随机化实验和服从强可验证性假设的一般观察性研究,区间满足双重稳健性质,其陈述如下:如果潜在结果的倾向得分或条件分位数可以准确估计,则平均覆盖率近似受控。对合成数据集和真实数据集的数值研究表明,即使在简单的模型中,现有方法也存在显著的覆盖不足。相比之下,我们的方法以合理的短间隔实现了所需的覆盖范围。
2021-05-06 math.ST stat.ME stat.ML
Sampling-based randomized designs for causal inference under the potential outcomes framework
我们建立的平均治疗效果的平均差异估计的推理性质在随机实验中,每个单位在人口中随机两个治疗,然后治疗组内的单位随机抽样。该估计量的性质在试验设计方案中很好理解,其中第一个单位随机取样,然后随机分配给药,但不适用于上述方案,其中取样和给药分配阶段颠倒。我们发现,在这种试验设计的情况下,平均差估计的推理性质是相同的更常见的样本第一随机化第二设计。这一发现将带来一些澄清抽样为基础的随机设计的因果推理,特别是对于设置有一个有限的超级人口。最后,我们探讨在何种程度上预处理测量可以用来改善后,这种随机化第一样本第二设计的均值差估计。不幸的是,我们发现,治疗前的测量往往是没有帮助的,在这种设计下,提高平均治疗效果估计的精度,除非大量的治疗前的测量,是高度相关的治疗后的测量可以得到。我们证实了这些结果,使用模拟研究的基础上,在纳米材料的真实实验。
2019-02-16 math.ST stat.TH
Heterogeneous Treatment Effects with Mismeasured Endogenous Treatment
本文研究了在非参数异质性处理效应框架下,当二元处理被误测和内生时,工具变量的识别能力。使用一个二进制工具变量,我刻画了尖锐的识别集的本地平均治疗效果的排除限制下的仪器和确定性的单调性的真正治疗的仪器。即使考虑到一般的测量误差(例如,测量误差是内生的),仍然可以获得局部平均处理效果的有限界限。值得注意的是,Wald被估量是局部平均治疗效应的上界,但它不是一般的锐界。我还提供了具有一致渐近有效尺寸控制的局部平均治疗效应的置信区间。此外,我证明了本文的识别策略提供了一个新的使用重复测量收紧识别集。
2017-05-19 math.ST stat.TH
Learning Decomposed Representation for Counterfactual Inference
Zhejiang University(浙江大学);Tsinghua University(清华大学);NetEase Inc.(网易公司)
从观察数据估计处理效应的基本问题是混杂因素的识别和平衡。大多数以前的方法通过将所有观察到的治疗前变量作为混杂因素来实现混杂因素平衡,忽略了进一步识别混杂因素和非混杂因素。一般而言,并非所有观察到的治疗前变量都是指治疗和结局的常见原因的混杂因素,一些变量仅对治疗有贡献,一些变量仅对结局有贡献。平衡这些非混杂因素,包括工具变量和调整变量,将产生处理效应估计的额外偏倚。通过对观察到的治疗前变量、治疗和结果之间的不同因果关系建模,我们提出了一个协同学习框架:1)通过学习混杂因素和非混杂因素的分解表示来识别混杂因素; 2)通过样本重新加权技术来平衡混杂因素; 3)同时通过反事实推理来估计观察性研究中的处理效应。在合成数据集和真实数据集上的实验结果表明,该方法能够精确分解混杂因素,并实现比基线更精确的处理效应估计。
2021-10-12 cs.LG stat.ME stat.ML
Bayesian Inference and Partial Identification in Multi-Treatment Causal Inference with Unobserved Confounding
在因果估计问题中,感兴趣的参数通常只能部分识别,这意味着即使有无限的数据,参数也不能被精确地恢复。在这里,我们研究贝叶斯推断的部分确定的处理效应在多治疗因果推断问题与未观察到的混杂。原则上,推断部分识别的处理效应在贝叶斯范式下是自然的,但结果可能对参数化和先前规范高度敏感,通常以令人惊讶的方式。因此,理解关于处理效应的结论的哪些方面完全由先前的规范驱动是至关重要的。我们使用了一个所谓的透明参数化的影响,更可解释的科学动机的多重效果的先验规范。我们证明了我们的分析在一个例子中量化基因表达水平对小鼠肥胖的影响。
2022-04-23 stat.ME
Program Evaluation and Causal Inference with High-Dimensional Data
在本文中,我们提供了有效的估计和诚实的置信带的各种治疗效果,包括局部平均值(LATE)和局部分位数治疗效果(LQTE)在数据丰富的环境。我们可以处理非常多的控制变量、内源性治疗接受、异质性治疗效果和功能价值结果。我们的框架涵盖了外源性接受治疗的特殊情况,无论是有条件的控制或无条件的随机对照试验。在后一种情况下,我们的方法产生有效的估计和诚实带(功能)平均治疗效果(ATE)和分位数治疗效果(QTE)。为了使信息推理成为可能,我们假设关键简化形式的预测关系是近似稀疏的。这个假设允许使用正则化和选择方法来估计这些关系,并且我们提供了用于后正则化和后选择推理的方法,这些方法在各种模型中都是一致有效的(诚实的)。我们表明,一个关键因素,使诚实的推理是使用正交或双鲁棒矩条件估计某些简化形式的功能参数。我们说明了使用所提出的方法与应用程序,以估计401(k)资格和参与对累积资产的影响。
2018-01-05 econ.EM math.ST stat.ME
Approximate Residual Balancing: De-Biased Inference of Average Treatment Effects in High Dimensions
在许多情况下,研究人员对估计平均处理效应感兴趣,并愿意依赖于无混淆假设,这要求处理分配与处理前变量的随机条件一样好。如果分析中包含大量治疗前变量,则无混淆假设通常更合理,但这可能会恶化标准方法估计处理效应的性能。在本文中,我们开发了一种方法去偏惩罚回归调整,允许稀疏回归方法,如套索被用于sqrt{n}-一致的推断平均处理效应在高维线性模型。鉴于线性,我们不需要假设治疗倾向是可估计的,或者平均处理效应是结果模型参数的稀疏对比。相反,除了用于使结果模型上的套索回归在1-范数误差下一致的标准假设之外,我们只需要重叠,即,倾向得分均匀地远离0和1。在程序上,我们的方法结合了平衡权重与正则化回归调整。
2018-01-31 econ.EM math.ST stat.ME
Debiased Bayesian inference for average treatment effects
Department of Mathematics(数学系);King’s College London(伦敦国王学院);Mathematical Institute(数学研究所);Leiden University(莱顿大学)
贝叶斯方法在因果推断问题中越来越受欢迎,这是由于它们的概念简单,性能优异和内置的不确定性量化(“后验可信集”)。我们研究贝叶斯推断的平均处理效应的观察数据,这是一个具有挑战性的问题,由于缺失的反事实和选择偏差。在标准的潜在结果框架中,我们提出了一个数据驱动的修改任意(非参数)先验的基础上的倾向得分,纠正一阶后验偏差,从而提高性能。我们说明了我们的方法高斯过程(GP)先验使用(半)合成数据。我们的实验表明,显着改善的估计精度和不确定性量化相比,未经修改的GP,使我们的方法具有很强的竞争力与国家的最先进的。
2019-09-26 cs.LG stat.ME stat.ML
Inference on a New Class of Sample Average Treatment Effects
我们推导出新的方差公式推断一般类的因果平均治疗效果的随机对照试验(RCT)的估计。我们推广了Robins(1988),并证明了当被估计量是被治疗者的样本平均治疗效应(SATT或SATC)时,存在一致的方差估计量。尽管这些被估量在预期中等于样本平均治疗效应(SATE),但被估量的变化可能会导致准确度和覆盖率的潜在巨大差异,甚至是渐进的。对SATE的推断,即使使用保守的置信区间,也会提供不正确的SATT或SATC覆盖率。我们推导出方差和极限分布的一个新的和一般类的估计-任何混合之间的SATT和SATC-其中的SATE是一个特定的情况。我们证明了新的理论结果的适用性,使用蒙特卡罗模拟和经验应用程序与数百个在线实验的平均样本量约一亿观测每个实验。一个R包,estCI,实现了所有建议的估计过程是可用的。
2017-10-18 math.ST stat.ME stat.TH
Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments
Institute of Mathematics and Computer Sciences at University of São Paulo(圣保罗大学数学与计算机科学研究所)
提出广义 ps-BART 非参数模型估计连续处理下的 ATE 与 CATE,在多组 DGP 中优于 BCF,尤其适用于非线性关系。
2024-09-10 cs.LG stat.AP stat.ML
Self Balancing Neural Network: A Novel Method to Estimate Average Treatment Effect
KLATASDS-MOE, School of Statistics, East China Normal University(KLATASDS-MOE统计学院,华东师范大学);Department of Statistics, College of Natural and Computational Sciences, Addis Ababa University(统计系,自然与计算科学学院,亚的斯亚贝巴大学)
本文提出自平衡神经网络(Sbnet),通过平衡网络获取伪倾向得分,并结合多伪倾向得分框架一步估计平均处理效应,在模拟与真实数据上优于现有方法。
2025-07-17 cs.LG stat.ML
Perfect Match: A Simple Method for Learning Representations For Counterfactual Inference With Neural Networks
ETH Zurich(苏黎世联邦理工学院)
从观察数据中学习反事实推理的表示对于许多领域具有高度的实际意义,例如医疗保健,公共政策和经济学。反事实推理使人们能够回答“如果......会怎样?“问题,如“如果我们给予该患者$t_1$治疗,结果会如何?".然而,目前用于训练神经网络以用于对观察数据进行反事实推断的方法要么过于复杂,要么限于只有两种可用处理的设置,或者两者兼而有之。在这里,我们提出了完美匹配(PM),一种用于训练神经网络进行反事实推理的方法,该方法易于实现,与任何架构兼容,不增加计算复杂性或超参数,并扩展到任何数量的处理。PM是基于在一个小批量与他们的倾向匹配最近的邻居增加样本的想法。我们的实验表明,PM优于一些更复杂的国家的最先进的方法在推断反事实的结果在几个基准,特别是在设置有许多治疗。
2019-05-27 cs.LG stat.ML
Barycentric Fused Gromov-Wasserstein Balancing for Causal Inference under Multiple Treatments
NTT DOCOMO, INC.(NTT都科摩公司);Yokohama City University(横滨市立大学)
针对多处理因果推断中现有成对平衡方法的复杂度高、局部结构保留差的问题,本文提出CIHSI-Net框架,基于BFG-WB目标实现高效全局对齐与局部结构保留,模拟及真实数据应用验证了其性能优势。
2026-08-25 cs.AI cs.LG stat.ME
Inference on Quantile Treatment Effects with Small Treatment Groups
Amazon Inc.(亚马逊公司);UC Berkeley, Dept. of Economics(加州大学伯克利分校经济学系)
本研究针对多值处理模型中自然出现的小处理组,开发了允许处理组规模保持有界的条件分位数处理效应推断方法,通过结合条件分位数函数估计与分位数指标的伯努利表示,经蒙特卡洛实验验证了其有限样本性能。
2026-10-23 econ.EM econ.GN math.ST
A nonparametric doubly robust test for a continuous treatment effect
针对观察数据中连续处理效应的推断难题,本文提出一种完全非参数双重稳健检验方法,通过局部U-和V-过程建立检验统计量的渐近分布,并利用野自助法实现检验,在R包DRDRtest中发布。
2023-05-22 math.ST stat.ME stat.TH
Relative Contrast Estimation and Inference for Treatment Recommendation
当存在资源限制时,重要的是根据患者特征对治疗获益进行排名或估计。这有助于优先分配不同的治疗。关于个体化治疗规则的大多数现有文献将绝对条件处理效应差异作为获益的指标。然而,在某些情况下,相对差异可能更好地代表这些好处。在本文中,我们考虑建模这种相对差异,形成规模不变的对比之间的条件处理效应。我们表明,所有的尺度不变的对比度是单调变换的对方。因此,我们为特定的相对对比度建立了一个单指数模型。模型的可识别性通过对指标参数的直观的$l_2$范数约束来实现。然后,我们通过半参数效率理论推导出估计方程和有效分数。基于有效分数及其变体,我们提出了一个两步的方法,包括最小化一个双鲁棒损失函数和随后的一步效率增强过程,以实现效率界。仔细的理论和数值研究表明所提出的方法的优越性。
2021-05-03 math.ST stat.ME stat.TH
De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院);Baidu(百度)
针对连续处理反事实推理中现有方法依赖参数模型、仅消除线性混杂的问题,提出基于生成对抗的DRL去混杂表示框架,可消除非线性依赖,在合成和真实医学数据集上表现优于前沿模型。
2023-07-24 cs.AI cs.LG stat.ME
Placebo inference on treatment effects when the number of clusters is small
我介绍了一个一般的,费舍尔式的随机化测试框架进行几乎精确的推理缺乏效果的二元治疗在非常少的存在下,大集群时,跨集群的处理效应。建议的随机化测试形式化,并通过分配安慰剂治疗未处理的集群生成空分布的直观概念进行扩展。我表明,在简单和易于验证的条件下,安慰剂测试导致在一个非常大的一类经验相关的模型渐近有效的推断。明确讨论的例子是(i)最小二乘回归与集群级处理,(ii)差异中的差异估计,和(iii)二元选择模型与集群级处理。仿真研究和实证例子。所提出的推理过程是很容易实现的,并表现良好,只有三个处理和三个未处理的集群。
2018-03-07 stat.ME
Causal inference from treatment-control studies having an additional factor with unknown assignment mechanism
考虑一个有两种治疗方法的情况,第一种是随机的,而第二种不是,以及这种情况的多因素版本。关注的是处理效应,使用标准阶乘符号定义。我们定义估计的处理效应,并探讨其属性时,有信息的非随机化治疗分配,当没有信息的非随机化治疗的分配。我们展示了隐藏处理何时以及如何使估计量产生偏差并夸大其抽样方差。
2022-02-07 stat.ME
Estimation and Inference for the Average Treatment Effect in a Score-Explained Heterogeneous Treatment Effect Model
针对处理效应异质性且仅部分样本受处理的情形,提出一种利用全部观测的差分与匹配估计器来估计受处理者平均处理效应,并证明其渐近正态性,同时可非参数估计条件与个体处理效应。
2025-04-23 math.ST stat.ME stat.TH
Causal Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich(慕尼黑大学);Siemens CT(西门子中央研究院)
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中,通常采用稳定单位处理值假设。然而,当一个单元的分配治疗影响相邻单元的潜在结果时,干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应,在社会科学中被称为同行效应。通常,在随机化实验或具有相互连接单元的观察性研究中,只能观察干扰下的治疗反应。因此,如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中,我们使用GNNs研究了一般网络干扰下的因果效应估计,GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后,我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下,给出了策略遗憾界.此外,基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
Synthetic learner: model-free inference on treatments over time
Stanford Graduate School of Business(斯坦福大学商学院);University of California at San Diego(加州大学圣地亚哥分校)
了解特定治疗或政策的影响涉及许多感兴趣的领域,从政治经济学,营销到医疗保健。在本文中,我们开发了一种非参数算法,用于在合成控制的背景下检测治疗随时间的影响。该方法建立在来自许多算法的反事实预测的基础上,而不必假设算法正确地捕获模型。我们介绍了一个推理过程检测处理效应,并表明测试过程是渐近有效的平稳,β混合过程,而不施加任何限制的基础算法的考虑。我们讨论的一致性保证平均处理效应估计和获得遗憾的界限所提出的方法。这类算法可以包括随机森林、Lasso或任何其他机器学习估计器。数值研究和应用表明该方法的优点。
2022-08-23 cs.LG econ.EM stat.ME
High-dimensional Model-assisted Inference for Local Average Treatment Effects with Instrumental Variables
考虑使用工具变量估计局部平均处理效应的问题,其中在针对一组测量协变量进行调整后,工具不混淆性保持不变。需要通过回归模型估计协变量的几个未知函数,例如仪器倾向得分以及治疗和结局回归模型。我们开发了一个计算上易于处理的方法,在高维设置中的回归项的数量接近或大于样本量。我们的方法利用正则化校准估计,这涉及Lasso处罚,但仔细选择的损失函数估计这些回归模型中的系数向量,然后采用双稳健估计的治疗参数,通过增强逆概率加权。我们提供了严格的理论分析表明,如果正确指定了工具倾向得分模型,则在适当的稀疏条件下,所得到的Wald置信区间对于治疗参数是有效的,但治疗和结局回归模型可能被错误指定。对于现有的高维方法,如果正确指定了所有三个模型,则可以获得治疗参数的有效置信区间。我们评估所提出的方法,通过广泛的模拟研究和实证应用,以估计教育的回报。
2020-09-19 math.ST stat.ME stat.TH
Robust Inference on Average Treatment Effects with Possibly More Covariates than Observations
本文关注模型选择后平均治疗效果的稳健推断。在可观测量选择框架下,我们给出了如何构造基于双稳健估计的置信区间,该估计对模型选择误差是稳健的,并证明了它们在一大类处理效应模型上是一致有效的.该类允许多值处理具有异质效应(在可观测量中),一般异方差性,以及在(可能)比观测值更多的协变量中进行选择。在适当的条件下,我们的估计达到了半参数有效界。精确的条件给出了任何模型选择器产生这些结果,我们展示了如何将数据驱动的选择与经济理论相结合。为了实现,我们给出了一个具体的建议,选择基于组套索,这是特别适合于治疗效果的数据,并得出新的结果,高维,稀疏多项式逻辑斯谛回归。仿真研究表明,我们的估计在有限样本在广泛的模型表现得很好。重新访问国家支持的工作示范数据,我们的方法产生准确的估计和紧置信区间。
2018-02-01 econ.EM math.ST stat.ME
Identification and Inference for Synthetic Controls with Confounding
本文在存在未观测混杂的面板数据中,利用随机因子模型研究处理效应的识别与推断,揭示时间与个体层面混杂的权衡,并为多种合成控制估计量建立渐近推断结果。
2023-12-01 econ.EM math.ST stat.ME
Sequential Deconfounding for Causal Inference with Unobserved Confounders
ETH Zurich(苏黎世联邦理工学院)
当随机实验不可行或成本高昂时,使用观察数据来估计治疗效果是决策的有力工具。然而,观察性数据经常产生处理效应的偏倚估计,因为治疗分配可能受到未观察到的变量的混淆。一种补救措施是通过调整这些未观察到的混杂因素的去干扰方法。在本文中,我们开发了序贯去混淆,一种方法,使估计个体化的处理效应随着时间的推移,存在未观察到的混杂因素。这是第一种可以在一般顺序设置中使用的去干扰方法(即,在每个时间步分配一个或多个处理)。序贯去混淆器使用一种新的高斯过程潜变量模型来推断未观察到的混淆因素的替代品,然后将其与结果模型结合使用,以估计随时间推移的处理效应。我们证明,使用我们的方法产生无偏估计的个体化治疗反应随时间的推移。使用模拟和真实的医疗数据,我们证明了我们的方法的效力,随着时间的推移,在去干扰治疗反应的估计。
2022-02-28 cs.LG stat.ME stat.ML
One-step TMLE for weighted average treatment effects
本文提出了一种一步TMLE方法用于估计加权平均处理效应,分析了该方法在最不利路径上的表现,并证明了其在特定条件下具有渐近效率。
2026-09-15 math.ST stat.ME stat.TH
Randomization-based confidence sets for the local average treatment effect
本文改进 Imbens 和 Rosenbaum 的随机化方法,提出基于学生化 Anderson–Rubin 统计量的置信集构造程序,在不完全依从实验中同时保证有限样本精确性与异质效应下的渐近有效性,并给出高效算法。
2025-02-10 math.ST stat.ME stat.TH
The CATT SATT on the MATT: semiparametric inference for sample treatment effects on the treated
本研究探讨处理组样本平均处理效应的半参数推断,发现其渐近方差可识别但可能超过总体效应,提出混合平均处理效应以提升估计精度,并引入基于倾向得分加权的另一新估计目标。
2024-02-09 math.ST stat.ME stat.TH
Causal Inference with High-Dimensional Treatments
Carnegie Mellon University(卡内基梅隆大学);University of California, Los Angeles(加州大学洛杉矶分校)
本文提出了一种新的稀疏伪结果回归框架,用于高维处理的因果推断,推导了新的双重鲁棒估计器并分析了其收敛性。
2026-07-29 math.ST stat.ME stat.TH
Covariate balancing for causal inference on categorical and continuous treatments
该研究提出基于最优协变量平衡逆概率加权的分类与连续处理因果估计量,证明其统计性质并通过模拟和真实数据集验证,揭示BMI对自评健康下降的非线性影响。
2021-02-28 math.ST stat.ME stat.TH
Robust Inference for the Direct Average Treatment Effect with Treatment Assignment Interference
Princeton University(普林斯顿大学)
本文针对随机网络干扰下的因果推断,引入 Ising 模型刻画处理分配依赖,建立 Hájek 估计量的 Berry-Esseen 型及一致分布近似,并提出基于条件高斯化和重采样的稳健推断程序,通过 Monte Carlo 模拟验证其有效性。
2025-06-26 econ.EM stat.ME
Estimation and Inference in Boundary Discontinuity Designs: Location-Based Methods
Princeton University(普林斯顿大学)
本文研究了基于位置的局部多项式处理效应估计器,提出对边界平均处理效应曲线及两个聚合因果参数的点估计与统一推断方法,适用于尖锐和模糊设计,并通过实证应用展示方法。
2026-05-14 econ.EM math.ST stat.AP
Identification and Inference for Marginal Average Treatment Effect on the Treated With an Instrumental Variable
在观察性研究中,治疗通常不是随机的,因此估计的处理效应可能会受到混杂偏倚的影响。工具变量(IV)设计起到准实验处理的作用,因为IV与治疗相关,并且仅通过治疗影响结局。在本文中,我们提出了一个新的框架,识别和推理使用的边缘平均处理效应之间的治疗(ETT)在不可测量的混杂的存在下,IV。对于推断,我们提出了三种不同的半参数方法:(i)逆概率加权(IPW),(ii)结果回归(OR),(iii)双稳健(DR)估计,如果(i)或(ii)是一致的,但不一定两者都是一致的。在二进制IV和结果的简单情况下,得到了封闭形式的局部半参数有效估计,并在更一般的情况下导出了效率界。
2016-08-26 stat.ME
Causal Inference with Complex Treatments: A Survey
Zhejiang University(浙江大学);Peking University(北京大学);Emory University(埃默里大学)
本文系统综述了多值、连续及捆绑等复杂治疗的因果推断方法,涵盖问题定义、假设、方法分类、数据集与开源代码,并展望未来研究方向。
2024-07-19 cs.LG stat.ME
Flexible Inference of Optimal Individualized Treatment Strategy in Covariate Adjusted Randomization with Multiple Covariates
为了最大限度地提高临床效益,临床医生通常根据每个患者的个体特征定制治疗,需要个性化的治疗规则,这对统计学家来说具有重要的研究意义。在具有许多协变量的协变量调整的随机化临床试验中,我们用协变量的单个指数的未指定函数来建模处理效应,并且使基线响应完全任意。我们设计了一类估计器,以一致地估计处理效应函数及其相关指数,同时绕过基线响应的估计,这是受维数灾难。我们进一步开发推理工具,以确定预测协变量和隔离有效的治疗区域。在模拟和临床数据的例子证明了该方法的实用性。
2021-11-19 stat.ME
Robust inference of conditional average treatment effects using dimension reduction
从观察数据中对条件平均处理效应进行稳健推断很重要,但当混杂因素为多变量或高维时,这变得具有挑战性。本文提出了一种双重降降维方法,在保持非参数优点的同时,尽可能地降低维数灾难。我们使用降维来确定条件平均处理效应的中心平均子空间。一个非参数回归与先前的降维也被用来插补反事实的结果。这一步有助于提高插补的稳定性,并导致比现有方法更好的估计。然后,我们提出了一个有效的自举过程,而无需自举估计的中心均值子空间进行有效的推断。
2020-08-30 stat.ME
Robust Uniform Inference for Quantile Treatment Effects in Regression Discontinuity Designs
在回归不连续性和扭结设计中,对因果效应的大带宽具有鲁棒性的推断的实际重要性得到了广泛的认可。现有的强大的方法涵盖了许多情况下,但不处理统一的模糊设计的CDF和分位数过程的推理,尽管它在最近的文献中使用的实证微观经济学。在这方面,本文扩展了文献,通过开发一个统一的框架,推理与鲁棒性对大带宽,适用于统一推理的分位数处理效应在模糊设计,以及所有其他情况下的尖锐/模糊均值/分位数回归不连续性/扭结设计。我们提出了蒙特卡罗模拟研究和经验应用俄克拉荷马州前K计划的评价。
2019-02-23 stat.ME
Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders
本文提出一种基于人工神经网络的广义优化框架,用于在混杂因素维度发散时有效估计一般处理效应,建立了新的逼近误差界以缓解维度灾难,并证明了估计量的根-n一致性和渐近正态性。
2023-11-17 stat.ME stat.ML
Educational Effects in Mathematics: Conditional Average Treatment Effect depending on the Number of Treatments
Kogakuin University(工学院大学);Waseda University(早稻田大学);Osaka Institute of Technology(大阪工业大学);Osaka Sangyo University(大阪产业大学);International University of Health and Welfare(国际医疗福祉大学)
本研究应用因果推断和扩展的T-learner方法,评估工学院大学学术支持中心面对面辅导的条件平均处理效应,并提出了依赖于处理次数的CATE函数以预测其效果。
2024-11-03 cs.LG econ.EM stat.ME
Identification of Average Treatment Effects in Nonparametric Panel Models
Stanford University(斯坦福大学)
本文提出非参数因子模型,证明面板数据中平均处理效应的可识别性,并给出可广泛用于组间差异分解的一致估计量。
2025-03-25 cs.LG econ.EM stat.ME