R-Learning 与逆方差加权在异质处理效应估计中的联系

Aaron Fisher

R-Learning 与逆方差加权在异质处理效应估计中的联系

统计方法学 2024-02-06 v2 机器学习

作者: Aaron Fisher

摘要

许多估计条件平均处理效应(CATEs)的方法可表述为加权伪结果回归(PORs)。先前对 POR 技术的比较仔细关注了伪结果变换的选择。然而,我们认为性能的主导驱动因素实际上是权重的选择。例如,我们指出 R-Learning 隐式地执行了带逆方差权重(IVWs)的 POR。在 CATE 设定中,IVWs 缓解了与逆倾向得分权重相关的不稳定性,并带来偏倚项的便利简化。我们在模拟中展示了 IVWs 的优越性能,并推导了 IVWs 的收敛速率,据我们所知,这是在不假设协变量分布已知条件下所展示的最快速率。

关键词

异质处理效应 R-Learning 逆方差加权伪结果回归条件平均处理效应收敛速率

引用

@article{arxiv.2307.09700,
  title  = {The Connection Between R-Learning and Inverse-Variance Weighting for Estimation of Heterogeneous Treatment Effects},
  author = {Aaron Fisher},
  journal= {arXiv preprint arXiv:2307.09700},
  year   = {2024}
}

备注

The main change in this version is the addition of simulations

R-Learning 与逆方差加权在异质处理效应估计中的联系

摘要

关键词

引用

备注

相关论文