通过高斯过程进行少置换情境下的条件平均处理效应校准推断

估计干预对特定个体产生的影响（条件平均处理效应，Conditional Average Treatment Effect, CATE）正日益成为医学、经济学和政策决策中的核心问题，而估计在伴随校准不确定性区间时才最具实用性。我们研究少置换情境（few-placebo regime），即一种治疗臂远小于另一臂的情形，常见于不平等分配的试验和小规模留置A/B测试中。标准估计器为X-Learner，获取可信区间的自然方式是使其第二阶段贝叶斯化。我们指出，这些区间会产生低于名义水平的低覆盖问题：它们包含真实效应的频率不足其标称水平。我们追溯到X-Learner回归目标继承了对小臂上拟合的违禁模型偏差的结构性原因，因此后验分布的中心偏离真实效应。我们发现，标准补救措施——回归正交的双鲁棒得分——在此情境下也不可靠，因为该情境的有限重叠导致估计器要么高度可变，要么在稳定后偏差再次增加。上述两种后果反映出一种超出因果推断的模式：一个独立估计的方差被附加到一个难以学习的数量的点估计上，而该点估计的偏差未被该方差所捕获。我们提出了GP-CATE建模每个臂的结果表面以高斯过程（Gaussian process）形式，使得稀缺臂的不确定性直接进入后验分布，而非作为未建模的偏差。通过合成和半合成基准，GP-CATE在包括Causal Forest和BART在内的我们所比较的估计器无法实现的校准覆盖率上取得了成果，代价是在数据信息不足时区间宽度适当增大。