双重补偿学习在治疗效果估计中的无结构优化性
内容提要
该文综述了从高维观测数据估计处理效应的方法，涵盖平均处理效应、局部平均处理效应和分位数处理效应。核心手段包括Neyman正交得分、交叉拟合、双重稳健估计与表示学习，以应对内生处理、异质效应和未观测混杂。部分研究还引入公平性约束、工具变量识别及深度正交网络，并在模拟与实证中验证其性能。
延伸解读
方法演进：从双重稳健到表示学习
文章梳理了处理效应估计方法的发展脉络：早期依赖Neyman正交得分和交叉拟合实现双重稳健估计，随后引入表示学习以处理高维混杂。2021年提出的深度正交网络（DONUT）将正交性与深度学习结合，2022年的中度平衡表示学习（MBRL）进一步利用噪声正交性。这些进展显示，方法创新主要围绕如何更灵活地控制混杂并保持估计的稳健性。
未观测混杂的应对策略
针对未观测混杂，文章介绍了多种思路：2018年提出结合结果填充、逆概率加权和矩阵补全的双重稳健估计器，适用于大量单位和结果的数据；2020年则通过损失最小化方法估计CATE的界限，并提供ATE的灵敏度分析。这些方法不要求完全消除混杂，而是量化其影响或给出保守边界，为实际应用提供了更现实的工具。
公平性约束下的异质性效应估计
2023年的研究将公平性约束引入异质性处理效应估计，提出了一个非参数框架，在标准正则条件下具有双重稳健性。该框架允许评估公平与最大福利之间的权衡，并通过实际案例展示。这表明处理效应估计不仅关注统计精度，也开始回应算法公平性的社会需求，但需注意公平约束可能牺牲部分估计效率。
工具变量与识别条件的扩展
文章提到2016年提出新的假设条件，允许在标准IV模型下识别ATE，并构建了在三个观察数据模型下一致的估计器，同时保证估计值在-1到1之间。这扩展了工具变量方法在处理效应估计中的适用性，但识别仍依赖于所设定的假设，实际应用中需谨慎验证这些条件是否成立。
Q&A
双重补偿学习在因果推断中主要解决什么问题？
双重补偿学习主要用于从高维观测数据中估计处理效应，包括平均处理效应（ATE）、局部平均处理效应（LATE）和分位数处理效应（QTE），并应对内生处理、异质效应和未观测混杂等挑战。
Neyman正交得分和交叉拟合在估计处理效应时起什么作用？
Neyman正交得分和交叉拟合被用于估计设备参数，能够有效处理高维数据下的模型参数估计问题，提高估计的稳健性和效率。
双重稳健估计器在处理未观测混杂时有什么优势？
双重稳健估计器结合了结果填充和逆概率加权，并采用矩阵补全的交叉拟合程序，在存在未观测混杂时仍能保持一致性，误差以参数速率收敛到均值为零的高斯分布。
在公平性约束下估计异质性处理效应有哪些方法？
有研究提出了一个简单且通用的非参数估计框架，在公平性约束下估计异质性处理效应，该框架在标准正则条件下具有双重鲁棒性质，并揭示了公平与最大福利之间的权衡。
如何利用工具变量识别平均处理效应？
有研究提出了新的假设条件，允许在标准IV模型下识别平均处理效应（ATE），并构建了多个估计器，这些估计器在三个不同的观察数据模型下是一致的，且保证ATE估计值在-1到1之间。
深度正交网络（DONUT）在估计平均处理效应方面表现如何？
DONUT基于正交性的正则化框架学习与治疗分配正交的结果，实验结果表明其在估计平均处理效应方面优于现有技术。
