.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
揭示特定政策或处理措施的不同质效应是研究者和政策制定者的关键关注点。常见方法是报告基于可观测协变量的子群体平均处理效应。然而，子群体的选择至关重要，因为它存在p值操纵的风险，并需要在可解释性与细化程度之间取得平衡。本文提出一种非参数方法构建异质性子群体。该方法通过构建一系列具有最优性质的嵌套分组，灵活探索可解释性与更细化异质性之间的权衡。通过整合诚实性原则与无偏机器学习，我们为每个群体的平均处理效应提供有效推断。我们通过经验蒙特卡洛研究验证所提出的方法，并将其应用于重新评估母亲吸烟对新生儿体重的影响。与以往研究一致，我们发现成年母亲所生子女的影响更强。此外，我们还提供了新颖证据表明，产前护理开始得越早，效应越显著。
Keyword:
Causality
conditional average treatment effects
recursive partitioning
subgroup discovery
subgroup analysis
maternal smoking
birth weight
C29
C45
C55
期刊
E
IF:
1
论文数:
50
被引数:
2.7K
机构
引用论文
A sharper Bonferroni procedure for multiple tests of significance用于多次显著性检验的更清晰的Bonferroni程序.png)
Biometrika.png)
BiometrikaIF0
PREAI
.png){kind=icon}
分享.png){kind=icon}
收藏Machine learning estimation of heterogeneous causal effects: Empirical Monte Carlo evidence异质因果效应的机器学习估计: 经验蒙特卡洛证据
OAAI
OAAI分享收藏
分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容