极端与未观测数据中的处理效应估计
机器学习
2025-06-18 v1 机器学习
统计理论
统计方法学
统计理论
摘要
因果效应估计旨在从观测数据中确定干预的影响。然而，现有的因果推断文献主要关注频繁发生事件的处理效应。但如果我们感兴趣的是估计一项政策干预的效果，其益处虽然可能很重要，却只能在罕见但有影响力的事件（例如极端气候事件）中被观测和测量，那该怎么办？标准的因果推断方法并不适用于这种推断，因为感兴趣的事件在观测数据中可能很少，并且需要一定程度的推断。极值理论(EVT)提供了分析此类极端状态下统计现象的方法。我们引入了一个新的框架来评估极端数据中的处理效应，以捕捉感兴趣罕见事件发生时的因果效应。特别地，我们利用多元正则变化理论来对极端情况进行建模。我们为极端处理效应开发了一个一致估计量，并对其性能进行了严格的非渐近分析。我们使用合成数据和半合成数据说明了我们估计量的性能。
引用
@article{arxiv.2506.14051,
title = {Estimation of Treatment Effects in Extreme and Unobserved Data},
author = {Jiyuan Tan and Jose Blanchet and Vasilis Syrgkanis},
journal= {arXiv preprint arXiv:2506.14051},
year = {2025}
}