PIPCFR: 基于后处理变量的伪结果插值用于个体处理效应估计
机器学习
2025-12-23 v1 人工智能
摘要
个体处理效应（ITE）估计旨在预测因处理变化而导致的结果变化。观察性数据中的一个根本挑战是：我们只能观察到每个个体在单一处理下的结果，而需要推断在备选处理下的结果差异。现有方法要么通过训练推断的伪结果来实现，要么通过创建匹配的实例对来实现。然而，近期工作大体忽视了后处理变量对结果的潜在影响。这种疏忽会导致现有方法无法充分捕捉结果变异性，从而增加逆命中预测的方差。本文引入伪结果插值包含后处理变量的逆命中回归（PIPCFR），一种新方法，通过纳入后处理变量来改进伪结果插值。我们分析了利用后处理变量固有的挑战，并建立了一个新型的 ITE 风险理论上界，显式地将后处理变量与 ITE 估计精度联系起来。与忽略这些变量或施加限制性假设的现有方法不同，PIPCFR 学习有效的表示，既保留信息性成分，又减轻偏差。在真实数据和模拟数据上的经验评估表明，PIPCFR 在 ITE 误差上显著低于现有方法。
引用
@article{arxiv.2512.18737,
title = {PIPCFR: Pseudo-outcome Imputation with Post-treatment Variables for Individual Treatment Effect Estimation},
author = {Zichuan Lin and Xiaokai Huang and Jiate Liu and Yuxuan Han and Jia Chen and Xiapeng Wu and Deheng Ye},
journal= {arXiv preprint arXiv:2512.18737},
year = {2025}
}
备注
17 pages, 3 figures