异质处理效应的校准误差
统计方法学
2022-03-28 v1 机器学习
摘要
近来，许多研究者推进了用于建模异质处理效应（HTEs）的数据驱动方法。即便如此，HTEs的估计仍是一项困难任务——这些方法常高估或低估处理效应，导致所得模型校准不良。然而，尽管存在许多评估预测与分类模型校准的方法，用于评估HTE模型校准的正式方法仅限于校准斜率。本文中，我们定义了HTEs的\smash{（)}期望校准误差的类似物，并提出了一种鲁棒估计量。我们的方法受双重鲁棒处理效应估计量启发，使其无偏，且能抵御混杂、过拟合与高维问题。此外，我们的方法可直接适配于处理效应可被识别的多种结构，包括随机试验、观察性研究与生存分析。我们通过对CRITEO-UPLIFT试验的应用，阐释了如何使用所提度量来评估学习到的HTE模型的校准。
引用
@article{arxiv.2203.13364,
title = {Calibration Error for Heterogeneous Treatment Effects},
author = {Yizhe Xu and Steve Yadlowsky},
journal= {arXiv preprint arXiv:2203.13364},
year = {2022}
}
备注
Accepted to AISTATS 2022. This version includes link to code that was omitted from AISTATS camera ready