Buchumschlag

PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kato, Masahiro, Kozai, Fumiaki, Inokuchi, Ryo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Econometrics Statistics Theory Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Semi-Supervised Treatment Effect Estimation with Unlabeled Covariates for Prediction-Powered Causal Inference
von: Kato, Masahiro
Veröffentlicht: (2025)

Direct Bias-Correction Term Estimation for Average Treatment Effect Estimation
von: Kato, Masahiro
Veröffentlicht: (2025)

Bridging the Gap between Empirical Welfare Maximization and Conditional Average Treatment Effect Estimation in Policy Learning
von: Kato, Masahiro
Veröffentlicht: (2025)

Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
von: Kato, Masahiro, et al.
Veröffentlicht: (2024)

Minimax and Bayes Optimal Adaptive Experimental Design for Treatment Choice
von: Kato, Masahiro
Veröffentlicht: (2025)

Riesz Regression As Direct Density Ratio Estimation
von: Kato, Masahiro
Veröffentlicht: (2025)

A Note on Doubly Robust Estimator in Regression Discontinuity Designs
von: Kato, Masahiro
Veröffentlicht: (2024)

Debiased Regression for Root-N-Consistent Conditional Mean Estimation
von: Kato, Masahiro
Veröffentlicht: (2024)

Nearest Neighbor Matching as Least Squares Density Ratio Estimation and Riesz Regression
von: Kato, Masahiro
Veröffentlicht: (2025)

ScoreMatchingRiesz: Score Matching for Debiased Machine Learning and Policy Path Estimation
von: Kato, Masahiro
Veröffentlicht: (2025)

Learning from Double Positive and Unlabeled Data for Potential-Customer Identification
von: Kato, Masahiro, et al.
Veröffentlicht: (2025)

Double Debiased Covariate Shift Adaptation Robust to Density-Ratio Estimation
von: Kato, Masahiro, et al.
Veröffentlicht: (2023)

Minimax and Bayes Optimal Best-Arm Identification
von: Kato, Masahiro
Veröffentlicht: (2025)

Causal-Policy Forest for End-to-End Policy Learning
von: Kato, Masahiro
Veröffentlicht: (2025)

Direct Debiased Machine Learning via Bregman Divergence Minimization
von: Kato, Masahiro
Veröffentlicht: (2025)

A Unified Theory for Causal Inference: Direct Debiased Machine Learning via Bregman-Riesz Regression
von: Kato, Masahiro
Veröffentlicht: (2025)

Covariate Balancing and Riesz Regression Should Be Guided by the Neyman Orthogonal Score in Debiased Machine Learning
von: Kato, Masahiro
Veröffentlicht: (2026)

General Bayesian Policy Learning
von: Kato, Masahiro
Veröffentlicht: (2026)

Locally Optimal Fixed-Budget Best Arm Identification in Two-Armed Gaussian Bandits with Unknown Variances
von: Kato, Masahiro
Veröffentlicht: (2023)

Debiased Nonparametric Regression for Statistical Inference and Distributionally Robustness
von: Kato, Masahiro
Veröffentlicht: (2024)

genriesz: A Python Package for Automatic Debiased Machine Learning with Generalized Riesz Regression
von: Kato, Masahiro
Veröffentlicht: (2026)

Worst-Case Optimal Multi-Armed Gaussian Best Arm Identification with a Fixed Budget
von: Kato, Masahiro
Veröffentlicht: (2023)

A Unified Framework for Debiased Machine Learning: Riesz Representer Fitting under Bregman Divergence
von: Kato, Masahiro
Veröffentlicht: (2026)

The Role of Contextual Information in Best Arm Identification
von: Kato, Masahiro, et al.
Veröffentlicht: (2021)

Modeling Covariate Transition for Efficient Estimation of Longitudinal Treatment Effects in Randomized Experiments
von: Chihara, Naoki, et al.
Veröffentlicht: (2026)

Triple/Debiased Lasso for Statistical Inference of Conditional Average Treatment Effects
von: Kato, Masahiro
Veröffentlicht: (2024)

What Makes Treatment Effects Identifiable? Characterizations and Estimators Beyond Unconfoundedness
von: Cai, Yang, et al.
Veröffentlicht: (2025)

Structure-agnostic Optimality of Doubly Robust Learning for Treatment Effect Estimation
von: Jin, Jikai, et al.
Veröffentlicht: (2024)

Bayesian Semiparametric Causal Inference: Targeted Doubly Robust Estimation of Treatment Effects
von: Sert, Gözde, et al.
Veröffentlicht: (2025)

The Honest Truth About Causal Trees: Accuracy Limits for Heterogeneous Treatment Effect Estimation
von: Cattaneo, Matias D., et al.
Veröffentlicht: (2025)

Double Machine Learning of Continuous Treatment Effects with General Instrumental Variables
von: Chen, Shuyuan, et al.
Veröffentlicht: (2026)

Combining Experimental and Observational Data for Identification and Estimation of Long-Term Causal Effects
von: Ghassami, AmirEmad, et al.
Veröffentlicht: (2022)

Policy Learning for Optimal Dynamic Treatment Regimes with Observational Data
von: Sakaguchi, Shosei
Veröffentlicht: (2024)

An Adversarial Approach to Structural Estimation
von: Kaji, Tetsuya, et al.
Veröffentlicht: (2020)

Beyond the Average: Distributional Causal Inference under Imperfect Compliance
von: Byambadalai, Undral, et al.
Veröffentlicht: (2025)

It's Hard to Be Normal: The Impact of Noise on Structure-agnostic Estimation
von: Jin, Jikai, et al.
Veröffentlicht: (2025)

Sharp Structure-Agnostic Lower Bounds for General Linear Functional Estimation
von: Jin, Jikai, et al.
Veröffentlicht: (2025)

Smaller Confidence Intervals From IPW Estimators via Data-Dependent Coarsening
von: Kalavasis, Alkis, et al.
Veröffentlicht: (2024)

Orthogonal Bootstrap: Efficient Simulation of Input Uncertainty
von: Liu, Kaizhao, et al.
Veröffentlicht: (2024)

Identification and Debiased Learning of Causal Effects with General Instrumental Variables
von: Chen, Shuyuan, et al.
Veröffentlicht: (2025)