利用 LLM 直接预测条件期望可提高因果估计的效率
机器学习
2025-10-14 v1 统计方法学
摘要
我们提出了一种简单且有效的 LLM 驱动 AI 工具的应用，以提高因果估计的准确性。在双机器学习方法中，针对存在高维混杂变量时，对治疗作用于结果影响的因果估计的准确性，取决于条件期望函数估计器的表现。我们展示，利用在历史数据上训练的生成模型所做的预测，可相对于仅依赖于这些模型提取的嵌入进行调整的做法，提高这些估计器的性能。我们认为，这些生成模型所蕴含的历史知识和推理能力有助于克服因果推断问题中的维度灾难。我们考虑了一个小型的线上珠宝拍卖数据集案例，证明将 LLM 生成的预测作为预测器纳入其中，可提高估计的效率。
引用
@article{arxiv.2510.09684,
title = {Using LLMs to Directly Guess Conditional Expectations Can Improve Efficiency in Causal Estimation},
author = {Chris Engh and P. M. Aronow},
journal= {arXiv preprint arXiv:2510.09684},
year = {2025}
}