基于 ICE G-Computation 的深度双去偏长期效应估计
机器学习
2026-02-16 v1
摘要
估计长期处理效应对于顺序决策至关重要，但由于治疗-混杂变量反馈，问题备受挑战。虽然迭代条件期望（ICE）G-计算提供了一种原则方法，但其递归结构 suffers from error propagation，导致学习的结局回归模型被破坏。我们提出 D3-Net 框架，以缓解 ICE 训练中的误差传播并对最终修正进行稳健的纠正。首先，为中断学习中的误差传播，我们使用顺序双鲁棒（SDR）伪结果训练 ICE 序列，这些伪结果为每个回归提供偏差校正的目标。其次，我们采用带有协变量模拟器头的多任务 Transformer，作为辅助监督，以正则化表示免受噪声伪结果的破坏，并使用目标网络稳定训练动力学。对于最终估计，我们放弃 SDR 校正，而是使用未校正的 nuisance 模型对原始结果执行长期靶向最小损失基于估计（LTMLE）。这种二阶段靶向去偏确保稳健性和最优有限样本性质。综合实验表明，与现有基于 ICE 的估计器相比，我们的模型 D3-Net 在不同时段、反事实情形和时间变化混杂条件下能稳健地降低偏差和方差。
引用
@article{arxiv.2602.12379,
title = {Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation},
author = {Wenxin Chen and Weishen Pan and Kyra Gan and Fei Wang},
journal= {arXiv preprint arXiv:2602.12379},
year = {2026}
}