Buchumschlag

Hybrid Meta-learners for Estimating Heterogeneous Treatment Effects

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liang, Zhongyuan, van der Laan, Lars, Alaa, Ahmed
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Generalized Venn and Venn-Abers Calibration with Applications in Conformal Prediction
von: van der Laan, Lars, et al.
Veröffentlicht: (2025)

Self-Calibrating Conformal Prediction
von: van der Laan, Lars, et al.
Veröffentlicht: (2024)

Adaptive-TMLE for the Average Treatment Effect based on Randomized Controlled Trial Augmented with Real-World Data
von: van der Laan, Mark, et al.
Veröffentlicht: (2024)

Adaptive debiased machine learning using data-driven model selection techniques
von: van der Laan, Lars, et al.
Veröffentlicht: (2023)

Combining T-learning and DR-learning: a framework for oracle-efficient estimation of causal contrasts
von: van der Laan, Lars, et al.
Veröffentlicht: (2024)

M-learner:A Flexible And Powerful Framework To Study Heterogeneous Treatment Effect In Mediation Model
von: Li, Xingyu, et al.
Veröffentlicht: (2025)

ODE Discovery for Longitudinal Heterogeneous Treatment Effects Inference
von: Kacprzyk, Krzysztof, et al.
Veröffentlicht: (2024)

Stabilized Inverse Probability Weighting via Isotonic Calibration
von: van der Laan, Lars, et al.
Veröffentlicht: (2024)

Calibeating Prediction-Powered Inference
von: van der Laan, Lars, et al.
Veröffentlicht: (2026)

Nonparametric Instrumental Variable Inference with Many Weak Instruments
von: van der Laan, Lars, et al.
Veröffentlicht: (2025)

Doubly robust inference via calibration
von: van der Laan, Lars, et al.
Veröffentlicht: (2024)

Causal Effect Estimation with Learned Instrument Representations
von: Dean, Frances, et al.
Veröffentlicht: (2026)

Semiparametric Double Reinforcement Learning with Applications to Long-Term Causal Inference
von: van der Laan, Lars, et al.
Veröffentlicht: (2025)

Defining Expertise: Applications to Treatment Effect Estimation
von: Hüyük, Alihan, et al.
Veröffentlicht: (2024)

Automatic Debiased Machine Learning for Smooth Functionals of Nonparametric M-Estimands
von: van der Laan, Lars, et al.
Veröffentlicht: (2025)

Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data
von: Zhang, Yi, et al.
Veröffentlicht: (2024)

Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data
von: Oprescu, Miruna, et al.
Veröffentlicht: (2024)

What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work?
von: Dandl, Susanne, et al.
Veröffentlicht: (2022)

Data-Driven Estimation of Heterogeneous Treatment Effects
von: Tran, Christopher, et al.
Veröffentlicht: (2023)

Differentiable Pareto-Smoothed Weighting for High-Dimensional Heterogeneous Treatment Effect Estimation
von: Chikahara, Yoichi, et al.
Veröffentlicht: (2024)

Efficient Targeted Maximum Likelihood Estimators for Two-Phase Design Problems
von: Qiu, Sky, et al.
Veröffentlicht: (2026)

Longitudinal Targeted Minimum Loss-based Estimation with Temporal-Difference Heterogeneous Transformer
von: Shirakawa, Toru, et al.
Veröffentlicht: (2024)

Accounting for Missing Covariates in Heterogeneous Treatment Estimation
von: Yamin, Khurram, et al.
Veröffentlicht: (2024)

A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect
von: Wu, Ying, et al.
Veröffentlicht: (2023)

The Connection Between R-Learning and Inverse-Variance Weighting for Estimation of Heterogeneous Treatment Effects
von: Fisher, Aaron
Veröffentlicht: (2023)

Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations
von: Xu, Shenbo, et al.
Veröffentlicht: (2024)

Identifying and Estimating Causal Direct Effects Under Unmeasured Confounding
von: Boileau, Philippe, et al.
Veröffentlicht: (2026)

Machine learning to optimize precision in the analysis of randomized trials: A journey in pre-specified, yet data-adaptive learning
von: Balzer, Laura B., et al.
Veröffentlicht: (2025)

A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling
von: Singh, Aman
Veröffentlicht: (2026)

Estimating Interventional Distributions with Uncertain Causal Graphs through Meta-Learning
von: Dhir, Anish, et al.
Veröffentlicht: (2025)

Multi-Study R-Learner for Estimating Heterogeneous Treatment Effects Across Studies Using Statistical Machine Learning
von: Shyr, Cathy, et al.
Veröffentlicht: (2023)

Distributional Treatment Effect Estimation across Heterogeneous Sites via Optimal Transport
von: Bateni, Borna, et al.
Veröffentlicht: (2025)

Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction
von: Schuessler, Maximilian, et al.
Veröffentlicht: (2025)

Combining Incomplete Observational and Randomized Data for Heterogeneous Treatment Effects
von: Yao, Dong, et al.
Veröffentlicht: (2024)

A Large Scale Heterogeneous Treatment Effect Estimation Framework and Its Applications of Users' Journey at Snap
von: Pan, Jing, et al.
Veröffentlicht: (2025)

Sequential Treatment Effect Estimation with Unmeasured Confounders
von: Wang, Yingrong, et al.
Veröffentlicht: (2025)

Deep Learning of Continuous and Structured Policies for Aggregated Heterogeneous Treatment Effects
von: Zhang, Jennifer Y., et al.
Veröffentlicht: (2025)

Causal Rule Ensemble: Interpretable Discovery and Inference of Heterogeneous Treatment Effects
von: Bargagli-Stoffi, Falco J., et al.
Veröffentlicht: (2020)

Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner
von: Sun, Yuming, et al.
Veröffentlicht: (2026)

Improving the Efficiency of Subgroup Analysis in Randomized Controlled Trials with TMLE
von: Qiu, Sky, et al.
Veröffentlicht: (2026)