如何解决仅以倾向得分为条件就足以进行 CATE 估计吗？
我已经阅读了论文“ Adapting Neural Networks for the Estimation of 治疗效果”，它提出了一种称为 Dragonnet 的神经网络架构，用于估计治疗效果。 https://papers.nips.cc/paper/2019/file/8fb5f8be2aa9d6c64a04e3ab9f63feee-Paper.pdf
Dragonnet 基于倾向分数充分性定理。我明白这个定理是什么，它说对倾向得分的调节足以阻止所有后门路径。当我想到龙网结构时，它完全有道理。然而，我认为条件平均治疗效果（CATE）不仅与混杂变量集中的异质亚组有关，而且可能还有其他变量不混杂，但该变量的不同值可能会产生不同的治疗效果。
假设我们有一个变量“性别”，它不是一个混杂变量。我们还假设女性和男性有不同的治疗效果。因此，如果我想计算 CATE，那么在混杂变量旁边还以变量“性别”为条件是否有意义？我不认为这是龙网的情况。因此我有点困惑，因为 Dragonnet 声称不影响治疗分配的变量与治疗效果估计无关。
我想问的是，如果我只以倾向得分为条件来预测 CATE，我会不会忽略由不混淆的变量产生的效应修正？ >
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
