研究人员开发了一种名为UNIT的新两阶段估计器，用于结构中介参数，将深度表示学习与G估计相结合。该方法在arXiv的一篇新论文中进行了详细介绍，旨在通过学习共享协变量表示来提高中介分析的精度。模拟表明，与传统方法相比，该方法可以将中介系数的标准误差降低约1.45至1.51，而不会损害偏差或覆盖率。 AI
影响 这种新方法可以提高机器学习应用中因果推断的准确性。
排序理由 该集群包含一篇在arXiv上发表的学术论文，详细介绍了一种新的统计方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.10540v1 Announce Type: new Abstract: We propose a two-stage estimator for structural mediation parameters that combines deep representation learning with G-estimation under the "no essential heterogeneity" (NEH) assumption. We call the method UNIT. In the first stage,T…
We propose a two-stage estimator for structural mediation parameters that combines deep representation learning with G-estimation under the "no essential heterogeneity" (NEH) assumption. We call the method UNIT. In the first stage,TARNet estimates the heterogeneous effect of a ra…