Непараметрическая неоднородность причинно-следственных связей с ортогональным машинным обучением

arXiv: 2609.08097v1 Annuale Type: New Humber: Causal Mobitration Analysis размножает общее воздействие вмешательства на результат в прямой и непрямый путь, передаваемый через посредника, но стандартные методы обычно резюмируют эти пути с использованием среднепопуляционного эффекта. Однако во многих случаях косвенный эффект может существенно различаться в зависимости от индивидуальных особенностей. Мы предлагаем ортогональную систему статистического обучения для оценки неоднородных причинно-следственных последствий посредничества, обусловленных индивидуальными характеристиками. Этот метод предусматривает класс взвешенных ортогональных потерь Neyman, мотивированный представлениями влиятельной функции средневзвешенного воздействия на население. Эти потери непосредственно касаются условных оценок посредничества, минимизаторы которых на местном уровне не чувствительны к ошибкам в оценке ущерба. Мы внедряем полученные результаты в двухэтапную систему мета-обучения с регуляризированными линейными ситами как второго этапа сглаживания, и вводим ко.