用于估计随时间变化的异质性处理效应的模型无关元学习器

估计随时间变化的异质性处理效应在许多学科（如个性化医疗）中至关重要。例如，电子健康记录通常跨多个时间段收集，然后用于个性化治疗决策。现有针对此任务的工作主要集中在基于模型的学习器（即适配特定机器学习模型的学习器）。相比之下，模型无关的学习器——所谓的元学习器——在很大程度上尚未被探索。在我们的论文中，我们提出了几种模型无关的元学习器，因此它们可以与任意机器学习模型（例如Transformer）结合使用，以估计随时间变化的HTE。这里，我们重点关注可以通过加权伪结果回归获得的学习器，这通过直接针对处理效应实现了高效估计。然后，我们提供了全面的理论分析，刻画了不同学习器的特征，并使我们能够洞察何时特定学习器更优。最后，我们通过数值实验证实了我们的理论见解。总之，虽然元学习器在静态设定中已是最先进的，但我们是首个提出一套全面的元学习器来估计时变设定中HTE的工作。