异质性处理效应的因果等渗校准

我们提出因果等渗校准，一种用于校准异质性处理效应预测器的非参数方法。此外，我们引入交叉校准，一种数据高效的校准变体，无需保留校准集。交叉校准利用交叉拟合预测器，使用所有可用数据生成单个校准预测器。在弱条件下（不假设单调性），我们证明只要倾向得分或结果回归在适当意义上被准确估计，因果等渗校准和交叉校准都能达到快速双稳健校准速率。所提出的因果等渗校准器可以包裹在任何黑箱学习算法周围，提供稳健且无分布的校准保证，同时保持预测性能。