反事实结果的正交预测

正交元学习器，如 DR-learner、R-learner 和 IF-learner，正日益被用于估计条件平均处理效应。它们通过对经过特定变换的结果数据应用标准学习器进行去偏过程，相对于朴素元学习器（例如 T-、S- 和 X-learner）改善了收敛速率。这导致它们忽视了可能受限的结果空间，对于二值结果而言这可能尤为成问题：这些结果通常被变换为不再受限于单位区间的值，使得标准学习器难以保证单位区间内的预测。为此，我们构建了尊重结果空间的反事实结果预测正交元学习器。因此，所获得的 i-learner 或 imputation-learner 被更普遍地预期会优于现有学习器，即便结果不受限时也是如此，正如我们在模拟研究和对重症监护数据的分析中从经验上所证实的。我们的研究也为其他估计量的正交学习器构建提供了更普遍的认识。