条件分布处理效应的鲁棒与不可知学习

条件平均处理效应（CATE）是给定基线协变量时个体因果效应的最佳度量。然而，CATE 仅捕捉（条件）平均值，可能忽略对治疗选择重要的风险与尾部事件。在聚合分析中，通常通过度量分布处理效应（DTE）（如处理组间分位数或尾部期望的差异）来解决此问题。假设上，可以类似地在各处理组拟合条件分位数回归并取差值，但这对误设定不鲁棒，也无法提供不可知的最优类预测。我们提供一种新的鲁棒且模型不可知的方法，用于学习一类问题中的条件 DTE（CDTE），该类包含条件分位数处理效应、条件超分位数处理效应，以及由 $f$-散度给出的相干风险度量的条件处理效应。我们的方法基于构造一个特殊的伪结果（pseudo-outcome）并使用任意回归学习器对其关于协变量回归。我们的方法是模型不可知的，在于它可提供 CDTE 在回归模型类上的最佳投影。我们的方法是鲁棒的，在于即便我们以极慢速率非参数地学习这些干扰项，仍能以依赖于类复杂度的速率学习 CDTE，甚至对 CDTE 的线性投影进行推断。我们在模拟以及 401(k) 资格对财富影响的案例研究中考察了所提方法的表现。