Semi-Supervised Treatment Effect Estimation with Unlabeled Covariates via Generalized Riesz Regression
Masahiro Kato
这项研究调查了半监督设置中的治疗效果估计,我们不仅可以使用标准三重协变,治疗指标和结果,还可以使用未标记的辅助协变。 对于这个问题,我们开发效率边界和高效估计器,其渐近方差与效率约束一致。 在分析中,我们引入了两种不同的数据生成过程:一样本设置和双样本设置。 一个样本设置考虑了我们可以观察数据集一部分的治疗指标和结果的情况,也称为审查设置。 相比之下,双样本设置考虑两个具有标记和未标记数据的独立数据集,也称为案例控制设置或分层设置。 在这两种设置中,我们发现通过合并辅助协变,我们可以降低效率边界并获得一个渐近方差小于没有这种辅助协变的渐变的估计器。
This study investigates treatment effect estimation in the semi-supervised setting, where we can use not only the standard triple of covariates, treatment indicator, and outcome, but also unlabeled auxiliary covariates. For this problem, we develop efficiency bounds and efficient estimators whose asymptotic variance aligns with the efficiency bound. In the analysis, we introduce two different data-generating processes: the one-sample setting and the two-sample setting. The one-sample setting con...
