异质处理效应的拟Oracle估计

异质处理效应的灵活估计处于许多统计挑战的核心，例如个性化医疗与最优资源分配。本文中，我们发展了一类用于观测研究中异质处理效应估计的两步通用算法。我们首先估计边际效应与处理倾向，以形成一个隔离信号中因果成分的目标函数。然后，我们优化这一数据自适应目标函数。我们的方法相较现有方法具有若干优势。从实践角度看，我们的方法灵活且易用：在两步中我们均可使用任意损失最小化方法，例如惩罚回归、深度神经网络或提升法；此外，这些方法可通过交叉验证精细调节。同时，在惩罚核回归的情形下，我们证明我们的方法具有拟Oracle性质：即使对边际效应与处理倾向的初步估计并非特别准确，我们也能达到与事先知晓这两个干扰成分的神谕(oracle)相同的误差界。我们在多种模拟设定下基于惩罚回归、核岭回归与提升法实现了我们方法的变体，并发现相对现有基线具有 promising 的性能。