个体化治疗效应校准的非参数评估

预测个体化治疗效应（ITE）的算法性能的一个重要方面是适度校准，即预测治疗效应为z的个体的平均治疗效应等于z。适度校准的评估面临两个挑战：反事实响应不可观测，且对生成连续预测值的模型量化条件响应函数需要正则化或参数化建模。也许正是因为这些挑战，目前尚无关于ITE模型在总体中适度校准的零假设的推断方法。在本工作中，我们提出使用随机试验数据的ITE模型适度校准的非参数评估方法。这些方法同时解决了上述两个挑战，从而产生了评估适度校准的新型数值、图形和推断方法。核心思想是构建一个服从泛函中心极限定理的累积预测误差随机过程，从而利用布朗运动的性质进行渐近推断。我们提出了两种从样本构建该过程的方法：一种依赖预测风险（通常是ITE模型的输出）的条件方法，另一种基于用边际对应项替换累积条件期望与方差项的边际方法。数值模拟证实了两种方法的理想特性及其检测不同形式校准偏差的能力。我们通过一个案例研究提供了关于图形呈现和结果解释的实用建议。适度校准的预测ITE可以在不需要正则化技术或对治疗响应函数形式做出假设的前提下进行评估。