研究人员开发了一种使用核岭回归（KRR）的条件平均治疗效果（CATE）迁移学习新方法。该方法解决了源域和目标域之间、以及源数据中治疗组和对照组之间的协变量偏移和重叠不足等挑战。所提出的方法包括划分源数据以训练和选择最优CATE模型，并通过非渐近均方误差（MSE）界限提供了理论依据。在真实数据集上的实证研究表明，该方法具有优越的有限样本效率和适应性。 AI
影响 这项研究提供了一种新颖的统计技术，可以提高机器学习模型在需要从观察性数据中估计治疗效果的领域的准确性和适用性。
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。[lever_c_demoted from research: ic=1 ai=0.7]
- arXiv
- Conditional average treatment effect estimation with marginally constrained models
- Kernel Ridge Regression
- Seok-Jin Kim
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
