可信的异质处理效应估计器评估

准确的异质处理效应（HTE）估计对于个性化推荐至关重要，因而对评估和比较 HTE 估计器至关重要。传统的评估方法因缺乏反事实而不可用。当前的 HTE 评估方法依赖于额外的估计或在测试数据上的匹配，常常忽略引入的不确定性，可能导致错误的结论。我们提出将不确定性量化纳入 HTE 估计器比较之中。此外，我们建议将注意力从方法的绝对误差转向相对误差的估计和推断，而不是绝对误差。方法论上，我们基于有效影响函数开发了相对误差估计器，并建立了其渐近分布用于推断。与基于绝对误差的方法相比，相对误差估计器（1）对违约函数估计器的误差不那么敏感，满足“全局双鲁棒性”属性，（2）其置信区间通常更窄，使得更有力于确定哪个 HTE 估计器更准确。通过对 ACIC 挑战基准数据集的广泛实证研究，我们显示，相对误差方法在统计置信度下更有效地识别出更好的 HTE 估计器，即使测试数据集仅为中等规模或违约估计器不准确也是如此。