Identifying Nonstationary Causal Structures with High-Order Markov Switching Models
Imperial College London（帝国理工学院）；University of Michigan（密歇根大学）；University College London（伦敦大学学院）
本研究通过机制依赖的因果结构解决时间序列非平稳性问题，建立了高阶马尔可夫切换模型的可识别性，并实证验证了该方法在大脑活动数据上的可扩展性与适用性。
2024-06-25 cs.LG stat.ML
Estimating Heterogeneous Treatment Effects for Spatio-Temporal Causal Inference
University of Florida（佛罗里达大学）；Harvard University（哈佛大学）；Dartmouth College（达特茅斯学院）
该研究针对时空因果推断的空间溢出和时间延续问题，提出Hajek型CATE估计量及相关检验，通过模拟验证性能，并应用于美国空袭对伊拉克叛乱暴力影响的分析，发现与反叛乱理论预期相反的结果。
2026-08-05 stat.ME
Estimating heterogeneous treatment effects versus building individualized treatment rules: Connection and disconnection
估计异质性处理效应是统计学文献中研究得很好的主题。最近，由于对精确医学的需求日益增加以及在估计中越来越多地使用最先进的机器学习方法，它重新受到关注。此外，估计异质性处理效应直接关系到建立个体化治疗规则，个体化治疗规则是根据患者特征进行治疗的决策规则。本文考察了这两个研究问题之间的联系和脱节。值得注意的是，对异质处理效应的更好估计可能会或可能不会导致更好的个体化处理规则。我们提供了理论框架来解释连接和断开，并通过模拟演示了两种不同的情况。我们的结论揭示了一个实际的指导，在某些情况下，没有必要加强估计的处理效应，因为它不会改变治疗的决定。
2022-10-04 math.ST stat.ME stat.TH
Estimating heterogeneous treatment effects with right-censored data via causal survival forests
Zhejiang University（浙江大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Stanford University（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基于森林的方法最近在非参数处理效应估计中得到普及。在这一工作的基础上，我们引入了因果生存森林，它可用于估计异质性处理效应的生存和观察设置的结果可能是右删失。我们的方法依赖于正交估计方程，以鲁棒地调整下unconfoundness的删失和选择效果。在我们的实验中，我们发现我们的方法相对于一些基线表现良好。
2023-02-28 cs.LG stat.ME stat.ML
Martingale R-learner: Estimating Time-varying Heterogeneous Treatment Effects for Time-to-event Outcomes
Division of Biostatistics and Health Data Science, School of Public Health, University of Minnesota（明尼苏达大学公共卫生学院生物统计与健康数据科学部）；Biostatistics and Bioinformatics, Herbert Wertheim School of Public Health and Human Longevity Science, University of California, San Diego（加州大学圣地亚哥分校赫伯特·韦尔特海姆公共卫生与人类长寿科学学院生物统计与生物信息学）；Biostatistics and Bioinformatics, Herbert Wertheim School of Public Health and Human Longevity Science, & Department of Mathematics, & Halicioglu Data Science Institute University of California, San Diego（加州大学圣地亚哥分校赫伯特·韦尔特海姆公共卫生与人类长寿科学学院生物统计与生物信息学、数学系及哈利奥格鲁数据科学研究所）
该研究针对时间-事件结局，提出鞅R学习器，通过扩展奈曼正交函数评分框架降低干扰模型偏差，用于估计时变异质性处理效应，经验验证后成功应用于饮酒对痴呆影响的分析。
2026-08-21 stat.ME
Estimating Interpretable Heterogeneous Treatment Effect with Causal Subgroup Discovery in Survival Outcomes
本文提出了一种可解释的异质治疗效应估计框架，通过整合元学习器同时估计生存结果的CATE并识别预测子群，应用于年龄相关性黄斑变性临床试验以评估治疗效果。
2025-11-26 stat.AP stat.ME
Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations
本研究开发了针对生存结局（含竞争风险）的删失无偏变换（CUTs），通过转换事件时间结局，使现有HTE学习器可直接用于估计异质性累积发生率、总效应和直接效应，并提供了预言机不等式和模拟验证。
2024-09-27 stat.ME stat.ML
Shifting the Paradigm: Estimating Heterogeneous Treatment Effects in the Development of Walkable Cities Design
本文将虚拟现实与观察性因果推断方法（特别是TMLE）结合，估计城市设计干预对多样化人群的异质性处理效应，揭示了城市设计要素对公众健康的差异化影响，为个性化公共卫生政策提供了依据。
2024-04-30 stat.AP stat.ME
Causaltoolbox---Estimator Stability for Heterogeneous Treatment Effects
估计异质性处理效应在许多领域中变得越来越重要，并且生死决定现在基于这些估计：例如，选择个性化的医学治疗过程。最近，各种程序依赖于不同的假设已经提出了估计异质性处理效应。不幸的是，没有令人信服的方法，允许识别的程序，具有最接近的过程中产生的数据集的研究和研究人员经常任意选择一个假设。这种方法冒着做出依赖于不正确假设的推论的风险，并给实验者太多的$p$ -黑客攻击的空间。单一的估计器也会倾向于忽略其他估计器可能已经拾取的模式。我们认为，许多已发表的论文的结论可能会改变一个不同的估计被选中，我们建议，医生应该评估许多估计和评估他们的相似性时，调查异质性处理效应。我们证明了这一点，通过应用28个不同的估计程序的模拟观测数据集，这种分析表明，不同的估计程序可能会得到截然不同的估计。我们还提供了一个可扩展的\texttt{R}软件包，使从业者可以直接遵循我们的建议。
2019-03-28 stat.ME
Estimating heterogeneous treatment effects from randomised trials: a comparison of the risk modelling and treatment effect modelling approaches
University of Bern（伯尔尼大学）
本研究比较了随机对照试验中估计异质性治疗效果的两种方法（风险建模与治疗效果建模），通过理论分析和模拟实验发现风险建模在多数情况下表现更优，但优势随样本量增大而减弱。
2026-09-21 stat.ME
Estimating Heterogeneous Causal Effects of High-Dimensional Treatments: Application to Conjoint Analysis
提出一种基于正则化逻辑回归贝叶斯混合的方法估计高维处理的异质性因果效应，识别具有相似处理效应模式的群体，并应用于联合分析揭示受访者偏见对移民歧视的影响。
2025-01-20 stat.AP stat.ME
A Non-parametric Direct Learning Approach to Heterogeneous Treatment Effect Estimation under Unmeasured Confounding
针对无未测量混杂假设在实际研究中难以满足的问题，提出借助工具变量估计存在未测量混杂时条件平均处理效应的通用框架，构建了更高效稳健的估计量，并通过模拟与真实数据验证了有效性。
2024-10-08 stat.ME
Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner
William & Mary（威廉与玛丽学院）；University of Michigan（密歇根大学）
本文提出深度生存学习器（DSL），通过多输出深度神经网络估计生存数据中异质治疗效应，理论推导了误差界并展示了在临床相关时间范围内的稳定性与鲁棒性。
2026-04-12 stat.ME stat.ML
Estimating Heterogeneous Causal Mediation Effects with Bayesian Decision Tree Ensembles
因果推断文献越来越多地认识到，明确针对处理效应异质性可以提高科学认识和政策建议。为了达到同样的目的，研究治疗与结果之间的因果关系也是有用的。本文将在\emph{causal mediation analysis}的背景下解决这些问题。我们引入了一个基于贝叶斯加性回归树的变系数模型来识别和规范异质因果中介效应;类似于线性结构方程模型，这些效应对应于系数的协变量依赖性产物。我们发现，即使在协变量很少的大型数据集上，LSEM也可以对条件平均直接和间接效应产生高度不稳定的估计，而我们的\emph{Bayesian causal mediation forests}模型产生稳定的估计。我们发现，我们的方法是保守的，效果估计“缩小到同质性。我们使用来自医疗支出面板调查的数据和基于模拟数据的数据来检查我们方法的显著特性。最后，我们展示了如何将我们的模型与后验总结策略相结合，以识别有趣的子群并解释模型拟合。
2023-03-02 stat.AP stat.ME
Estimating Marginal Treatment Effects under Unobserved Group Heterogeneity
研究了基于异质性处理规则将个体划分为不可观测组的处理效应模型。使用有限混合的方法，我们提出了一个边际处理效应（MTE）的框架，其中的治疗选择和结果方程可以是异质组。在特定于每个组的工具变量的可用性下，我们表明，每个组的MTE可以单独识别。基于我们的识别结果，我们提出了一个两步半参数估计的MTE组。我们说明了所提出的方法的实用性与应用程序的经济回报，大学教育。
2022-05-23 econ.EM stat.ME
Heterogeneous Treatment Effect Estimation through Deep Learning
异质处理效应的估计是因果推断的一个重要内容，有着广泛的应用前景。近年来，它也引起了机器学习社区越来越多的关注。在这项工作中，我们重新解释了异质处理效应估计，并提出了从神经网络借用力量的方法。我们分析了将神经网络集成到异构处理效应估计中的优点和缺点，并阐明了设计特定网络时需要考虑的方面。我们根据我们的指导方针提出了一个具体的网络。在模拟中，我们表明，当数据结构复杂时，我们的网络表现得更好，并且在其他方法可以被证明是最佳的情况下达到平局。
2018-10-25 stat.ME
Multi-Study R-Learner for Estimating Heterogeneous Treatment Effects Across Studies Using Statistical Machine Learning
Vanderbilt University Medical Center（范德堡大学医学中心）；McLean Hospital（麦克林医院）；Boston University School of Public Health（波士顿大学公共卫生学院）；Dana-Farber Cancer Institute（达纳-法伯癌症研究所）
本文提出多研究R-学习者方法，利用统计机器学习估计跨研究的异质治疗效应，提升估计精度与效率。
2024-04-24 stat.ME stat.ML
Regression-based estimation of heterogeneous treatment effects when extending inferences from a randomized trial to a target population
从随机试验到目标人群的扩展-推广或运输-推论的方法涉及调节一组大的协变量，足以使随机化和非随机化组互换。然而，决策者往往有兴趣在仅根据少数离散协变量定义的目标人群亚组中检查处理效应。在这里，我们提出了估计亚组特定的潜在结果的手段和平均处理效应的一般性和可移植性分析的方法，使用结果模型为基础的（g公式），加权和增强加权估计。我们考虑在目标人群及其非随机化亚组中估计亚组特异性平均处理效应，并提供适用于嵌套和非嵌套试验设计的方法。作为一个例子，我们应用的方法，从冠状动脉手术研究的数据，比较手术加药物治疗与药物治疗单独治疗慢性冠状动脉疾病的心肌梗死史定义的亚组的影响。
2021-09-30 stat.ME
Flexibly Estimating and Interpreting Heterogeneous Treatment Effects of Laparoscopic Surgery for Cholecystitis Patients
本文扩展 meta-learner 框架，提出支持推断、解释与效应调节因素探索的异质性治疗效应方法，并通过胆囊炎腹腔镜手术大型数据库和模拟验证其性能。
2023-11-07 stat.ME
Estimation of Treatment Effects for Heterogeneous Matched Pairs Data with Probit Models
医学治疗对受试者反应的影响是医学研究中的关键问题之一。在医学研究领域中，通常采用配对设计来消除混淆和提高效率。本文提出了异质配对数据处理效应的新估计。估计的渐近性质的推导。仿真研究表明，所提出的估计具有一定的优势，著名的Heckman的估计和逆概率加权（IPW）估计。我们将建议的方法应用于血铅水平数据集和急性白血病数据集。
2017-11-07 stat.ME
Heterogeneous interventional indirect effects with multiple mediators: non-parametric and semi-parametric approaches
本文针对因果顺序未知的两个离散中介变量，提出基于影响函数的半参数方法和完全非参数方法估计条件干预间接效应，并给出敏感性分析及COVID-19疫苗接种对抑郁影响的实证应用。
2023-04-18 stat.ME
Nonparametric Heterogeneous Treatment Effect Estimation in Repeated Cross Sectional Designs
确定人口对健康或政策干预的反应的异质性对于评估和告知政策决定至关重要。我们提出了一种新的异质性处理效应估计的差异中的差异设计与重复的横截面数据，在那里我们观察不同的样本的人口在两个时间段分开的政策干预，以及作为控制的人口样本。我们的估计器具有正交特性，能够快速学习处理效应，同时允许较慢的速率估计滋扰成分。我们的建议在各种模拟设置中显示出有前途的经验性能。
2021-08-22 stat.ME
Estimating Heterogeneous Causal Effect on Networks via Orthogonal Learning
Department of Statistics（统计学系）
本文提出一种两阶段正交学习框架，用于估计网络上的异质直接和溢出效应。通过图神经网络估计噪声成分，再利用可解释的注意力模型估计因果效应，支持可解释的下游分析。
2026-05-10 cs.LG stat.ML
2D score based estimation of heterogeneous treatment effects
本文提出基于倾向评分和预后评分的二维评分框架，结合匹配与非参数回归树估计条件平均处理效应，在模拟和实证数据中优于现有方法。
2023-06-23 stat.ME
Estimating Treatment Effects Under Heterogeneous Interference
Kyoto University（京都大学）
本文针对单元间存在多视图异质性干扰的个体处理效应估计问题，提出一种结合图神经网络、跨视图信息聚合与注意力机制的新方法，并在多个数据集上验证其显著优于现有方法。
2023-09-25 cs.LG stat.ME
Estimation of Treatment Effects Under Nonstationarity via the Truncated Policy Gradient Estimator
Stanford University（斯坦福大学）；Columbia Business School, Columbia University（哥伦比亚大学商学院）
针对非平稳动态系统中的处理效应估计问题，提出截断策略梯度（TPG）估计器，通过短视结果轨迹替代瞬时结果，在马尔可夫非平稳设置下实现偏差和方差的可证明降低，并建立了中心极限定理和一致方差估计。
2026-10-21 stat.ME
Hybrid Meta-learners for Estimating Heterogeneous Treatment Effects
UC Berkeley（伯克利大学）；UCSF（旧金山加州大学）；University of Washington（华盛顿大学）
本文提出混合学习器，通过结合直接和间接正则化策略，改进异质处理效应估计的偏差-方差权衡，实验证明其在半合成和真实数据集上均处于帕累托前沿。
2026-01-31 cs.LG stat.ME
Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning
在实验性和观察性研究中，对异质性治疗效果的估计和分析越来越受到关注。我们描述了一些元算法，这些算法可以利用机器学习和统计学中的任何监督学习或回归方法来估计条件平均治疗效果（CATE）函数。元算法建立在基础算法上-如随机森林（RF），贝叶斯加性回归树（BART）或神经网络-来估计CATE，基础算法不是设计来直接估计的函数。我们引入了一种新的元算法，X-学习者，这是证明有效的单位在一个治疗组的数量远远大于其他，并可以利用CATE功能的结构特性。例如，如果CATE函数是线性的，并且处理和控制中的响应函数是Lipschitz连续的，则X学习器仍然可以在规则性条件下实现参数速率。然后，我们介绍使用RF和BART作为基础学习器的X-learner版本。在广泛的模拟研究中，X学习者表现良好，尽管没有一个元学习者是最好的。在政治学的两个说服领域的实验中，我们展示了我们的新的X-学习者如何可以用于目标治疗制度，并揭示潜在的机制。提供了实现我们的方法的软件包。
2019-04-24 math.ST stat.ME stat.TH
Modified Causal Forests for Estimating Heterogeneous Causal Effects
揭示政策和业务决策在不同粒度级别的因果效应的异质性，为决策者提供了大量的价值。本文通过在多个维度上修改Wager和Athey（2018）提出的因果森林方法，在选择可观察量框架中为多个治疗模型开发了新的估计和推理程序。新的估计量具有理想的理论，计算和实践性质的因果效应的各种聚集水平。虽然经验蒙特卡罗研究表明，他们优于以前建议的估计，应用到积极的劳动力市场方案的评价显示的应用研究的新方法的价值。
2019-07-05 econ.EM stat.ML
Estimating Heterogeneous Treatment Effects with Item-Level Outcome Data: Insights from Item Response Theory
针对心理测量工具评估的潜变量结果，提出基于项目反应理论的IL-HTE模型，通过估计各项目处理效应解决了标准误低估和识别问题，并利用48项试验的75个数据集验证了其在揭示项目变异和校正测量误差等方面的实用价值。
2025-01-20 econ.EM stat.ME
Robust and Heterogenous Odds Ratio: Estimating Price Sensitivity for Unbought Items
针对二元购买响应与价格处理分配部分缺失问题，提出带对抗性插补的递归分区方法，稳健估计异质比值比以实现个性化定价与干预。
2022-05-13 stat.ME stat.ML
Estimation of Spatial Deformation for Nonstationary Processes via Variogram Alignment
在空间过程建模中，经常会做二阶平稳性假设。然而，对于一个广阔的域上观察到的空间数据，协方差函数往往在空间上变化，导致异构的空间依赖结构，因此需要非平稳建模。空间变形是非平稳过程建模的主要方法之一，它假设非平稳过程在变形空间中存在一个平稳过程。变形函数的估计提出了严峻的挑战。在这里，我们介绍了一种新的方法，非平稳地统计建模，使用空间变形，当一个单一的实现的空间过程进行观察。我们的方法是基于，在一个基本的水平上，对齐区域变异函数，从每个子区域的距离的翘曲变化解释了空间非平稳性。我们建议使用多维缩放来映射空间位置的翘曲距离。我们评估我们的新方法使用多个模拟研究的性能。此外，我们说明了我们的方法对降水数据估计的异质空间依赖性和进行空间预测。
2019-11-07 stat.AP stat.ME
Estimating Heterogeneous Causal Effects with Tree-Based Methods under Imperfect Compliance
University of Duisburg-Essen（杜伊斯堡-埃森大学）
针对不完全依从场景，提出两种非贝叶斯树方法（DRRF-IV和GRF-IV）估计条件依从者平均因果效应，模拟显示性能与BCF-IV相当且计算更快，并应用于ICU及时入院对死亡率影响的子组分析。
2026-09-29 econ.EM stat.ME
Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects
ETH Zurich（苏黎世联邦理工学院）；University of Cambridge（剑桥大学）；LMU Munich（慕尼黑大学）；The Alan Turing Institute（阿兰·图灵研究所）；UCLA（加州大学洛杉矶分校）
估计异质性处理效应是跨多个领域的重要问题。为了准确估计这种处理效应，人们通常依赖于来自观察性研究或随机实验的数据。目前，大多数现有的作品完全依赖于观测数据，这往往是混淆，因此，产生偏见的估计。虽然观察数据是混杂的，随机数据是无混杂的，但其样本量通常太小，无法了解异质性处理效应。在本文中，我们提出了估计异质性处理效应结合大量的观察数据和少量的随机数据，通过表征学习。特别是，我们引入了一个两步框架：首先，我们使用观测数据来学习共享结构（以表示的形式）;然后，我们使用随机数据来学习数据特定的结构。我们分析了我们的框架的有限样本属性，并将它们与几个自然基线进行比较。因此，我们得出条件时，结合观察和随机数据是有益的，当它不是。在此基础上，我们介绍了一个样本效率的算法，称为CorNet。我们使用大量的模拟研究来验证CorNet和多个真实世界数据集的理论特性，以证明我们的方法相比现有方法的优越性。
2022-02-25 cs.LG stat.ML
Estimating heterogeneous survival treatment effect in observational data using machine learning
在观察性数据中估计异质性处理效应的方法主要集中在连续或二元结局上，相对较少审查生存结局。在反事实框架中使用灵活的机器学习方法是一种很有前途的方法，可以解决由于复杂的个体特征而带来的挑战，需要针对这些特征量身定制治疗方法。为了评估近期生存机器学习方法用于估计处理效应异质性的操作特征，并为更好的实践提供信息，我们进行了一项全面的模拟研究，该研究提供了一系列描述混杂异质生存处理效应和不同程度协变量重叠的设置。我们的研究结果表明，在加速失效时间模型（AFT-BART-NP）的框架内的非参数贝叶斯加性回归树始终产生最好的性能，在偏差，精度和预期的遗憾。此外，当协变量重叠至少为中度时，AFT-BART-NP的可信区间估计值为个体生存期处理效应提供了接近标称频率论的覆盖范围。在AFT-BART-NP模型公式中包括非参数估计的倾向得分作为额外的固定协变量，可以进一步提高其效率和频率覆盖率。最后，我们展示了灵活的因果机器学习估计器的应用，通过一个全面的案例研究，检查两种放射治疗方法对局部高危前列腺癌的异质性生存影响。
2021-05-19 stat.AP stat.ML
Local likelihood estimation of local parameters for nonstationary random fields
我们开发了一个加权的局部似然估计的参数，管理本地的空间依赖性的局部平稳随机场。这种局部似然估计的优点是它平滑地降低了远距离观测的影响，适用于不规则的采样位置，并且在适当设计时，可以权衡偏差和方差以减少估计误差。本文首先阐述了我们的技术问题的估计未知的正函数乘以一个平稳的随机场。这个例子给出了具体的证据，证明了我们的局部似然性与朴素的局部似然性相比的好处，在朴素的局部似然性中，假设整个邻域都是静态模型。然后，我们讨论的困难问题，估计带宽参数，控制量的影响，从遥远的观测。最后，我们提出了一个模拟实验，估计局部Matérn随机场的局部光滑性时，观察现场在随机采样位置在$[0,1]^2$。
2009-10-31 stat.CO stat.ME
Identifiable Energy-based Representations: An Application to Estimating Heterogeneous Causal Effects
University of Cambridge（剑桥大学）；UCLA（加州大学洛杉矶分校）；The Alan Turing Institute（艾伦图灵研究所）
条件平均治疗效应（CATE）使我们能够了解大量个体的效应异质性。然而，典型的CATE学习者假设所有的混杂变量都被测量，以使CATE是可识别的。这一要求可以通过收集许多变量来满足，但代价是增加了估计CATE的样本复杂性。为了解决这个问题，我们提出了一个基于能量的模型（EBM），学习低维表示的变量，采用噪声对比损失函数。与我们的EBM，我们引入了一个预处理步骤，该预处理步骤对任何现有的学习估计CATE开发的维数灾难。我们证明，我们的EBM保持部分可识别的表示到一些普遍的常数，以及具有普遍的逼近能力。这些属性使表示收敛并保持CATE估计一致。实验证明了表征的收敛性，并且表明在我们的表征上估计CATE的性能优于通过其他降维方法获得的变量或表征。
2022-01-30 cs.LG stat.ML
Estimating heterogeneous effects of continuous exposures using Bayesian tree ensembles: revisiting the impact of abortion rates on crime
在估计连续暴露或治疗的因果效应时，重要的是控制所有混杂因素。然而，大多数现有的方法需要控制变量如何影响结果或广义倾向得分的参数规范，并且对处理效应的推断通常对这种选择敏感。此外，通常的目标是估计处理效应如何在观察单位之间变化。为了解决这一差距，我们提出了一个半参数模型使用贝叶斯树集成估计的因果关系的影响，连续治疗的暴露，（i）不需要先验参数规范的控制变量的影响，和（ii）允许识别的影响修改预先指定的主持人。我们所做的主要参数假设是，暴露对结果的影响是线性的，这种关系的陡度由主持人的非参数函数决定，我们提供了诊断这一假设的有效性的方法。我们运用我们的方法来重新审视2001年关于堕胎率如何影响犯罪发生率的研究。
2020-07-20 stat.AP
Improving Data-driven Heterogeneous Treatment Effect Estimation Under Structure Uncertainty
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
估计治疗如何影响个体，称为异质性治疗效果（HTE）估计，是决策和政策实施的重要组成部分。在许多领域（如医疗保健和电子商务）中积累了大量数据，这使得人们越来越有兴趣开发数据驱动的算法，用于从观察和实验数据中估计异质效应。然而，这些方法通常对观察到的特征做出强有力的假设，而忽略了潜在的因果模型结构，这可能导致有偏的HTE估计。与此同时，考虑真实世界数据的因果结构很少是微不足道的，因为产生数据的因果机制通常是未知的。为了解决这个问题，我们开发了一种特征选择方法，该方法考虑每个特征的HTE估计值，并从数据中学习因果结构的相关部分。我们提供了强有力的经验证据表明，我们的方法改进了现有的数据驱动的HTE估计方法下任意潜在的因果结构。我们在合成、半合成和真实世界数据集上的结果表明，我们的特征选择算法导致较低的HTE估计误差。
2022-06-25 cs.LG stat.ME
Comparison of meta-learners for estimating multi-valued treatment heterogeneous effects
Ecole polytechnique, Institut Polytechnique de Paris（巴黎理工学院巴黎综合理工学院）；TotalEnergies One Tech（道达尔能源第一技术公司）
本文比较多值处理异质性效应估计中的多种元学习器，理论分析误差上界随处理水平数的变化，并通过合成与半合成数据验证其优劣。
2023-06-03 cs.LG stat.AP stat.ML
Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data
Cornell University（康奈尔大学）
针对观测数据存在未观测混杂、工具变量数据依从性低的问题，提出结合两类数据的两阶段框架，通过依从性加权校正估计异质性处理效应，经模拟和真实数据验证有效。
2024-11-01 cs.LG stat.ME stat.ML
BENK: The Beran Estimator with Neural Kernels for Estimating the Heterogeneous Treatment Effect
Peter the Great St.Petersburg Polytechnic University（彼得大帝圣彼得堡理工大学）
提出了一种在截尾时间-事件数据条件下估计条件平均治疗效应的方法--神经核Beran估计方法。该方法背后的主要思想是应用Beran估计估计控制和治疗的生存函数。代替Beran估计器中的典型核函数，提出了以称为神经核的特定形式的神经网络的形式来实现核。条件平均治疗效果估计通过使用的生存函数作为控制和治疗神经网络的结果，其中包括一组共享参数的神经内核。神经核更灵活，可以准确地模拟特征向量的复杂位置结构。各种数值模拟实验说明了BENK，并将其与著名的T-学习者，S-学习者和X-学习者进行比较，用于基于Cox模型，随机生存森林和具有高斯核的Nadaraya-Watson回归的几种类型的控制和治疗结果函数。所提出的实现BENK的算法的代码可在https://github.com/Stasychbr/BENK中获得。
2022-11-19 cs.LG stat.ML
Model-agnostic meta-learners for estimating heterogeneous treatment effects over time
LMU Munich（慕尼黑大学）；Munich Center of Machine Learning (MCML)（慕尼黑机器学习中心）
本文首次针对时变设定下的异质性处理效应估计，提出一套模型无关的元学习器，通过加权伪结果回归实现高效估计，并提供理论分析与数值实验验证。
2025-02-06 cs.LG stat.ML
Detecting Heterogeneous Treatment Effect with Instrumental Variables
在随机和观察性研究中，人们越来越关注因果效应的异质性估计。然而，很少有研究已经进行了了解异质性的工具变量研究。在这项工作中，我们提出了一种方法来估计异质因果效应使用工具变量的方法。该方法有两个部分。第一部分使用主题知识和可解释的机器学习技术，如分类和回归树，以发现潜在的效果修饰符。第二部分使用封闭测试来测试效应修饰符的统计显著性，同时强烈控制族错误率。我们在俄勒冈州健康保险实验中进行了这种方法，估计了医疗补助对个人健康不妨碍其日常活动的天数的影响，并发现了偏好英语的老年男性和不自我认同为亚洲人的年轻人的异质性证据，他们最多有高中文凭或GED，更喜欢英语。
2021-01-19 stat.AP stat.ME stat.ML
Estimating Heterogeneous Causal Effects in the Presence of Irregular Assignment Mechanisms
IMT School for Advanced Studies（IMT高等研究院）
本文提供了因果推理和机器学习技术之间的联系-特别是分类和回归树（CART）-在观察性研究中，治疗的接受不是随机的，但治疗的分配可以假设是随机的（不规则分配机制）。本文有助于不断增长的应用机器学习文献的因果推理，提出了一个修改版本的因果树（CT）算法，从一个不规则的分配机制得出因果推理。该方法是通过将CT方法与工具变量框架合并到因果推理中来开发的，因此命名为工具变量因果树（CT-IV）。与CT相比，CT-IV的主要优势在于它可以更有效地处理因果效应的异质性，这一点已在合成数据上获得的一系列数值结果中得到证明。然后，所提出的算法被用来评估托斯卡纳地区管理局（意大利），其目的是减轻获得信贷的小企业实施的公共政策。在这方面，CT-IV为基于目标的政策开辟了新的天地，确定了有趣的异质因果效应。
2019-05-21 cs.LG stat.ML
Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators
University of Cambridge（剑桥大学）；UCLA（加州大学洛杉矶分校）；The Alan Turing Institute（艾伦·图灵研究所）
用于从观察数据估计异质性治疗效果的机器学习工具箱正在迅速扩展，但其许多算法仅在非常有限的半合成基准数据集上进行了评估。在本文中，我们表明，即使在可以说是最简单的设置-估计下的可验证性假设-这种实证评估的结果可能是误导性的，如果（i）基准数据集的数据生成机制的假设和（ii）它们与基线算法的相互作用没有得到充分的讨论。我们详细考虑了两个流行的机器学习基准数据集，用于评估异质性治疗效果估计器-IHDP和ACIC 2016数据集。我们确定了它们当前使用的问题，并强调基准数据集的固有特征有利于某些算法-这一事实很少被承认，但对于解释经验结果具有巨大的相关性。最后，我们讨论了影响和可能的下一步措施。
2021-07-28 cs.LG stat.ME
Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University（德克萨斯农工大学）；Shell USA Inc（壳牌美国公司）
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题，提出图分裂贝叶斯因果森林（GSBCF），融合GS-BART与贝叶斯因果森林框架，通过图引导分裂规则建模空间结构，实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
A Bayesian Machine Learning Approach for Estimating Heterogeneous Survivor Causal Effects: Applications to a Critical Care Trial
本文提出基于 BART 的贝叶斯机器学习方法，在结局截断下估计始终幸存者的平均与异质性因果效应，并经 ARMA 试验和模拟验证其获益、异质性来源及更低偏差。
2023-06-20 stat.AP
Estimating Total Treatment Effect in Randomized Experiments with Unknown Network Structure
随机实验被广泛用于估计许多科学领域中拟议治疗的因果影响，从医学和医疗保健到物理和生物科学，从社会科学到工程，到公共政策和整个技术行业。在这里，我们考虑的情况是，由于混杂网络效应，估计目标人群总处理效应的经典方法存在相当大的偏倚，即，对一个人的治疗可能会影响其邻居的结果，这一问题被称为网络干扰或非个性化治疗反应。在这些情况下的一个关键挑战是，网络通常是未知的，并且难以测量或测量成本高昂。在本文中，我们的特点的局限性，估计总处理效应的网络驱动干扰的知识，假设一个潜在的结果模型与异质性加性网络效应。该模型涵盖了广泛的网络干扰源，包括溢出，同伴效应和传染。在这个框架内，我们表明，令人惊讶的是，在实验前获得平均历史基线测量，我们可以开发一个简单的估计和有效的随机设计，输出低方差的无偏估计。我们的解决方案不需要了解底层网络结构，并且为广泛的模型类别提供统计保证。我们相信，我们的研究结果有望影响当前的随机实验策略，因为它易于解释和实施，以及在异构网络效应下可证明的理论见解。
2022-09-24 cs.SI stat.ME
Data-Driven Estimation of Heterogeneous Treatment Effects
University of Southern California（南加州大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；U.S. Securities and Exchange Commission（美国证券交易委员会）
本文综述了基于机器学习的异质处理效应数据驱动估计方法，将其分为反事实预测、直接估计因果效应及结构因果模型三类，并通过实验评估了现有估计器与性能指标的优劣。
2024-10-17 cs.AI cs.LG stat.ME
Improved Guarantees for Heterogeneous Treatment-Effect Estimation via Matrix Completion
Stanford University（斯坦福大学）；Vin University（文大学）；The University of Hong Kong（香港大学）；Yale University（耶鲁大学）
针对面板数据中的异质性处理效应估计问题，提出一种基于矩阵补全的简单高效估计器，在低秩假设下实现行向$\ell_2$误差$ ilde{O}(\sqrt{1/n + n/m^2})$，并首次建立了低秩逼近的行向$\ell_2$扰动界。
2026-05-28 cs.AI cs.DS cs.LG
Inferring Heterogeneous Causal Effects in Presence of Spatial Confounding
Uppsala University（乌普萨拉大学）
我们解决的问题，推断的因果关系影响的曝光结果在整个空间，使用观测数据。数据可能会受到未测量的混杂变量的影响，在标准方法中，必须通过估计滋扰函数进行调整。在这里，我们开发了一种方法，消除滋扰功能，同时减轻由此产生的错误的变量。其结果是一个强大的和准确的空间变化的异质因果效应的推断方法。该方法的性能证明合成以及来自德国和美国的实际数据。
2019-06-03 cs.LG stat.ME stat.ML
Asymptotics for relative frequency when population is driven by arbitrary evolution
强相合估计显示，通过相对频率，“白球”内的二分瓮的概率时，这样的概率是一个任意连续的时间依赖函数在一个有界的时间间隔。本文利用Riemann-Dini型定理研究了非平稳背景下随机变量的SLLN的相对频率的渐近性质，并将有关SLLN的理论结果应用于一般非平稳过程未知形式的均值函数的估计.
2017-09-19 stat.ME
Augmented Learning of Heterogeneous Treatment Effects via Gradient Boosting Trees
Gilead Sciences, Inc.（吉利德科学公司）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）；University of Washington（华盛顿大学）
基于患者遗传或临床因素的异质性处理效应（HTE）对精准医学具有重要意义。同时建模HTE和相应的主要影响随机临床试验与高维预测标志物是具有挑战性的。受改进协变量方法的启发，我们提出了一个两阶段的统计学习过程，用于估计HTE与最佳效率增强，推广到任意交互模型，并利用强大的极端梯度提升树（XGBoost）。HTE的目标被估量定义在定量结果的平均差尺度或二元结果的风险比尺度中，它们是专门损失函数的最小化者。第一阶段是估计基线标志物对结局的主效应等效性，然后将其用作HTE第二阶段估计中的增强项。所提出的两阶段程序对主效应的模型错误指定具有稳健性，并通过非参数函数估计提高了估计HTE的效率，例如，XGBoost。提出了一个置换检验的整体评估的证据HTE。通过对SWOG癌症研究网络领导的前列腺癌预防试验中的遗传学研究的分析，展示了两阶段方法的特性和实用性。
2023-02-02 cs.LG stat.ME stat.ML
