PulseAugur
中
实时 09:51:31
English(EN) Learning heterogeneous treatment effects under principal stratification

新的机器学习框架估计亚群体中的处理效应

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的机器学习框架，用于解决亚群体内条件主因果效应的识别和估计问题。这种新颖的方法，被称为“双重交叉拟合双重稳健机器学习器”，利用了顺序正交学习和正则化最小二乘筛来处理主层析中固有的复杂嵌套的干扰结构。该方法通过采用优势比敏感性参数化放宽了单调性假设，并通过模拟和对急性肺损伤试验的实证分析进行了验证，揭示了显著的处理效应异质性。 AI

影响 增强了用于医疗和其他应用中个性化治疗决策的因果推断方法。

排序理由 该集群包含一篇详细介绍新统计方法的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的机器学习框架估计亚群体中的处理效应

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Jiaqi Tong, Fan Li ·

    在主要分层下学习异质性处理效应

    arXiv:2606.29076v1 Announce Type: cross Abstract: Principal stratification provides a foundational framework for causal inference with intermediate outcomes by defining causal effects within subpopulations, yet existing work has largely focused on average effects across strata ra…

  2. arXiv stat.ML TIER_1 English(EN) · Fan Li ·

    在主层析下学习异质性处理效应

    Principal stratification provides a foundational framework for causal inference with intermediate outcomes by defining causal effects within subpopulations, yet existing work has largely focused on average effects across strata rather than treatment effect heterogeneity within st…

相关实体

相关话题