average treatment effect
PulseAugur coverage of average treatment effect — every cluster mentioning average treatment effect across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
因果基础模型利用上下文学习进行因果推断
研究人员引入了因果基础模型（CFM），该模型利用预训练的神经网络通过上下文学习来估计新数据集上的因果效应。这种方法无需进行微调，这与需要为每个问题定制管道的传统因果推断方法不同。CFM 旨在将基础模型范式（已在机器学习中普遍存在）引入因果推断领域，从而能够估计新数据集上的平均处理效应等数量。
-
VR研究揭示警察用语中的种族偏见，探讨LLM用于分析
一项利用虚拟现实模拟的新研究调查了警察的用语如何受到他们互动的对象的感知种族和性别的影响。研究发现，大多数警察对被描绘成黑人成年男性的虚拟角色说话的语气不那么恭敬，但白人、混血和多族裔女性警官是显著的例外。这种语气差异可能导致对话中断，以及给警官和公众带来危险情况。该研究还探讨了使用大型语言模型（LLMs）来估计这些影响，并推荐使用具有逆概率处理加权方法来创建文本特征的混合效应模型。
-
新的V折交叉验证法提供了高效的统计推断替代方案
研究人员推出了一种新的统计方法——V折交叉验证法（V-fold jackknife），旨在为半参数推断提供一种计算高效且理论可靠的替代自举法（bootstrap）的方案。该方法仅需V次留一折重拟（leave-fold-out refits），并利用交叉验证法伪值（jackknife pseudo-values）的离散度来估计不确定性，无需影响函数（influence functions）。对于标准的渐近线性估计量，V折交叉验证法统计量…
-
经济学家为预训练嵌入开发理论框架
研究人员开发了在计量经济学中使用预训练深度学习嵌入的理论框架，解决了模型在不同数据集或任务上训练的挑战。该论文提供了可靠使用的条件并分析了估计误差，推导了预训练嵌入模型收敛的速率。该方法通过在双重机器学习中的应用得到证明，用于估计部分线性回归中的参数、使用图像和文本数据的需求估计、缺失数据插补以及具有非结构化混淆变量的平均处理效应估计。
-
新方法生成用于因果推断的差分隐私合成数据
研究人员开发了一种新方法，用于生成专门针对因果推断的差分隐私合成数据。这种方法被称为“因果工作负载”，专注于保留双重稳健因果估计量所需的正交矩，而通用方法则优先考虑整体分布保真度。所提出的技术可以直接使用，或通过最大熵校准进行重建，其理论框架将ATE误差分解为各个组成部分。此外，该研究还引入了用于自适应工作负载选择的Causal-AIM和用于置信区间的NA+MI，使得单个DP合成表能够在没有额外隐私成本的情况下支持多种因果分析。
-
新的因果度量捕捉超越平均值的结构效应
研究人员开发了新的方法来衡量数据中的因果效应，这些方法超越了简单的平均值。这些方法利用结果分布的拓扑和几何性质来捕捉干预引起的结构性变化。所提出的框架称为拓扑可忽略性，即使在传统的因果假设（如条件可忽略性）不完全成立的情况下，也能识别出感兴趣的特定结构特征。
-
新的 Sinkhorn 治疗效果度量分析反事实分布
研究人员开发了一种新的统计度量方法，称为 Sinkhorn 治疗效果，它使用熵最优传输来量化反事实分布之间的差异。该度量超越了诸如平均治疗效果等传统指标，通过评估整个分布的差异性。所提出的方法允许对分布治疗效果进行无偏估计和渐近有效的检验，实验表明在模拟数据和图像数据上具有实际优势。