用于估计多值处理异质效应的元学习器比较

条件平均处理效应（CATE）估计是利用观测数据进行因果推断的主要挑战之一。除了基于机器学习的模型外，称为元学习器（meta-learners）的非参数估计量已被开发用于估计 CATE，其主要优点是不将估计限制于特定的监督学习方法。然而，当处理不是二值而是多值时，该任务变得更加复杂，因为一些朴素扩展的局限性显现出来。本文研究用于估计多值处理异质效应的元学习器。我们考虑不同的元学习器，并对其误差上界作为处理水平数等重要参数的函数进行理论分析，表明朴素扩展并非总能给出满意结果。我们引入并讨论了随着处理数增加表现良好的元学习器。我们利用合成与半合成数据集从经验上确认了这些方法的优势与弱点。