Causal isotonic calibration for heterogeneous treatment effects

要約

因果等張キャリブレーション、不均一な治療効果の予測因子をキャリブレーションするための新しいノンパラメトリック法を提案します。
さらに、クロスキャリブレーションと呼ばれるホールドアウトキャリブレーションセットの必要性を回避する、データ効率の高いキャリブレーションの新しいバリアントを紹介します。
因果的アイソトニック クロス キャリブレーションは、クロス フィッティングされた予測変数を取得し、利用可能なすべてのデータを使用して取得された単一のキャリブレーションされた予測変数を出力します。
傾向スコアまたは結果回帰のいずれかが適切な意味で適切に推定される限り、因果的等張キャリブレーションとクロスキャリブレーションの両方が高速な二重ロバストキャリブレーション率を達成するという弱い条件下で確立します。
提案された因果的等張キャリブレータは、予測性能を維持しながら強力な分布のないキャリブレーション保証を提供するために、任意のブラック ボックス学習アルゴリズムをラップすることができます。

要約(オリジナル)

We propose causal isotonic calibration, a novel nonparametric method for calibrating predictors of heterogeneous treatment effects. In addition, we introduce a novel data-efficient variant of calibration that avoids the need for hold-out calibration sets, which we refer to as cross-calibration. Causal isotonic cross-calibration takes cross-fitted predictors and outputs a single calibrated predictor obtained using all available data. We establish under weak conditions that causal isotonic calibration and cross-calibration both achieve fast doubly-robust calibration rates so long as either the propensity score or outcome regression is estimated well in an appropriate sense. The proposed causal isotonic calibrator can be wrapped around any black-box learning algorithm to provide strong distribution-free calibration guarantees while preserving predictive performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google