用于策略上下文学习的纵向因果效应估计基础模型

时变混杂和治疗—混杂因素反馈循环使纵向因果效应估计变得复杂。现有方法通常需要针对具体数据拟合干扰模型，而且许多方法专为预先指定的治疗序列或预测时域设计，导致部署时的计算耗时较长。我们提出了 *Policy In-Context Longitudinal causal Effect estimation with Prior-data Fitted Networks*（**PICLE-PFN**），这是首个支持*动态*治疗策略的纵向因果效应估计基础模型。PICLE-PFN 通过上下文中的历史—决策示例表示目标策略，为广泛的治疗策略提供统一接口。PICLE-PFN 在从纵向结构因果模型中采样得到的合成数据上进行预训练，从而在不同数据集、策略和时域之间摊销因果效应估计的计算成本。给定新的观测数据集和目标策略，它只需一次前向传播即可直接预测条件平均潜在结局（CAPOs），无需针对具体任务进行训练或超参数调优。在多个合成与半合成纵向基准测试中，与针对每个数据集分别训练和调优的最先进传统估计器相比，PICLE-PFN 仅需少量部署运行时间，即可实现具有竞争力的均方根误差（RMSE），并显著改善不确定性校准。