混合元学习器：用于估计异质性处理效应
机器学习
2026-02-03 v2 统计方法学
摘要
从观察性数据估计条件平均处理效应 (CATE) 涉及与监督学习不同的建模决策，尤其在如何正则化模型复杂度方面。以往方法可归为两大主要“元学习器”范式，分别施加不同的归纳偏置。间接型元学习器首先拟合和正则化独立的潜在结果 (PO) 模型，然后通过取其差异来估计 CATE；而直接型元学习器则直接构建并正则化 CATE 函数本身的估计器。这两种方法并无统一优势：间接型学习器在潜在结果函数较简单时表现良好，而直接型学习器在 CATE 小于个体 PO 函数时优势更明显。本文引入混合学习器 (H-learner)，一种 novel 的正则化策略，能够根据数据情况在直接正则化与间接正则化之间进行插值。H-learner 通过学习中间函数，其差值紧密逼近 CATE，从而无需对 PO 本身实现精确逼近。我们表明，故意允许 PO 的次优拟合可改善 CATE 估计中的偏差-方差权衡。在半合成数据和真实世界基准数据集上的实验表明，H-learner 始终位于帕累托前沿，有效地结合了直接型和间接型元学习器的优势。
引用
@article{arxiv.2506.13680,
title = {Hybrid Meta-learners for Estimating Heterogeneous Treatment Effects},
author = {Zhongyuan Liang and Lars van der Laan and Ahmed Alaa},
journal= {arXiv preprint arXiv:2506.13680},
year = {2026}
}