用于估计异质性长期处理效应的正交学习器
机器学习
2026-04-02 v1 机器学习
摘要
异质性长期处理效应（HLTE）的估计广泛用于营销、经济学和医学中的个性化决策，其中短期随机实验常与长期观测数据相结合。然而，HLTE估计具有挑战性，因为某些子群体在处理或长期结果观测方面重叠有限，这可能导致HLTE估计不稳定且有限样本方差较大。为应对这一挑战，我们提出了LT-O-learners（长期正交学习器），一套用于HLTE估计的新型正交学习器。这些学习器适用于将短期随机数据集 与长期历史数据集 相结合的典型HLTE设置。我们LT-O-Learners的核心思想是通过引入自定义重叠权重来重新调整学习目标，对处理或长期观测中重叠度低的样本进行降权。我们证明重新调整后的损失等价于加权预言家损失，并满足Neyman正交性，这意味着我们的学习器对干扰估计误差具有鲁棒性。我们进一步为LT-O-Learners提供了通用误差界，并给出了准预言家速率可达的条件。最后，我们的LT-O-learners是模型无关的，因此可以用任意机器学习模型实例化。我们在合成和半合成基准上进行了实证评估，以确认LT-O-Learners的理论性质，特别是在低重叠设置下的鲁棒性。据我们所知，我们是首批对长期结果中常见的低重叠具有鲁棒性的HLTE估计正交学习器。
引用
@article{arxiv.2604.00915,
title = {Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects},
author = {Haorui Ma and Dennis Frauen and Valentyn Melnychuk and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2604.00915},
year = {2026}
}