研究人员推出了一种新的异质性处理效应估计方法——Bayesian X-Learner，该方法即使在处理重尾结果数据时也能进行校准不确定性估计。该方法在现有元学习器的基础上，通过引入完整的马尔可夫链蒙特卡洛后验和Welsch红降伪似然函数进行构建。该方法在IHDP基准测试中表现出竞争力，并在处理污染数据集方面显示出鲁棒性，实现了改进的RMSE和可信区间覆盖率。 AI
影响 引入了一种用于因果推断的鲁棒统计方法，有可能提高在数据嘈杂领域中AI驱动的决策的可靠性。
排序理由 这是一篇详细介绍因果推断新统计方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2604.27394v1 Announce Type: new Abstract: Conditional Average Treatment Effect (CATE) estimation in practice demands three properties simultaneously: heterogeneous effects $\tau(x)$, calibrated uncertainty over them, and robustness to the heavy tails that contaminate real o…
Conditional Average Treatment Effect (CATE) estimation in practice demands three properties simultaneously: heterogeneous effects $τ(x)$, calibrated uncertainty over them, and robustness to the heavy tails that contaminate real outcome data. Meta-learners (Künzel et al., 2019) gi…