反事实与个体处理效应的共形推断

评估处理效应异质性广泛地为处理决策提供信息。目前，人们非常重视通过灵活的机器学习算法来估计条件平均处理效应。虽然这些方法在一致性和收敛速度方面具有某些理论吸引力，但它们在不确定性量化方面通常表现不佳。这令人担忧，因为在敏感和不确定的环境中，评估风险对于可靠决策至关重要。在这项工作中，我们提出一种基于共形推断的方法，可在潜在结果框架下为反事实和个体处理效应产生可靠的区间估计。对于具有完全依从性的完全随机或分层随机实验，无论未知的数据生成机制如何，这些区间在有限样本下都具有保证的平均覆盖。对于具有可忽略依从性的随机实验以及服从强可忽略性假设的通用观察性研究，这些区间满足双重稳健性质，即：若倾向得分或潜在结果的条件分位数中任一个能够被准确估计，则平均覆盖近似受控。在合成与真实数据集上的数值研究经验表明，现有方法即使在简单模型中也存在显著的覆盖不足。相比之下，我们的方法以合理短的区间实现了期望的覆盖。