稳健因果估计的校准策略：理论与经验洞见
机器学习
2025-05-20 v3 机器学习
计量经济学
统计方法学
摘要
数据划分用于估计和校准在倾向得分估计器（如逆概率加权（IPW）和双/去偏机器学习（DML）框架）的性能中起关键作用。我们扩展了近期在倾向得分估计中校准技术的最新进展，提高了在有限重叠、小样本或不平衡数据等困难情境下倾向得分鲁健性。我们的贡献有两个方面：首先，我们对校准估计器在 DML 背景下的性质进行理论分析。为此，我们细化了现有的倾向得分模型校准框架，特别强调样本划分方案在确保有效因果推断中的作用。其次，通过大量模拟实验，我们表明校准在减少基于逆概率的倾向得分估计器的方差的同时，也能缓解 IPW 中的偏差，即使在小样本情境下亦然。值得注意的是，校准在灵活学习器（如梯度提升）上提高稳定性，同时保持 DML 的双鲁棒性。一个关键洞察是，即使方法在无校准情况下表现良好，纳入校准步骤也不会降低性能，前提是选择了合适的样本划分方案。
引用
@article{arxiv.2503.17290,
title = {Calibration Strategies for Robust Causal Estimation: Theoretical and Empirical Insights on Propensity Score-Based Estimators},
author = {Sven Klaassen and Jan Rabenseifner and Jannis Kueck and Philipp Bach},
journal= {arXiv preprint arXiv:2503.17290},
year = {2025}
}