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
A two-stage prediction model for heterogeneous effects of many treatment options: application to drugs for Multiple Sclerosis
不同患者的处理效应各不相同，估计这种变异性对于临床决策很重要。其目的是开发一个模型来估计个体患者替代治疗方案的益处。因此，我们开发了一个两阶段的预测模型异质性处理效应，结合预后研究和网络荟萃分析方法时，个别患者的数据。在第一阶段，我们开发一个预后模型，并预测结果的基线风险。在第二阶段，我们使用第一阶段的基线风险评分作为网络荟萃回归模型中的单一预后因素和效应修正因子。我们将该方法应用于三项随机临床试验的网络荟萃分析，这些试验比较了那他珠单抗、醋酸格拉替雷和富马酸二甲酯的复发率，包括3590例诊断为复发缓解型多发性硬化症的患者。我们发现基线风险评分改变了相对和绝对处理效应。几个患者特征，如年龄和残疾状态对复发的基线风险有影响，这反过来又缓和了每种治疗可能预期的获益。对于高风险患者，最大限度地降低两年内复发风险的治疗是那他珠单抗，而对于低风险患者，富马酸二甲酯可能是更好的选择。我们的方法可以很容易地扩展到所有感兴趣的结果，并有可能为个性化治疗方法提供信息。
2022-02-07 stat.AP stat.ME
Interpreting OLS Estimands When Treatment Effects Are Heterogeneous: Smaller Groups Get Larger Weights
应用工作通常使用具有加性效应的线性模型来研究二元变量（“治疗”）的效应。我研究的解释OLS估计在这样的模型时，处理效应是异质的。我表明，处理系数是一个凸组合的两个参数，在一定条件下，可以解释为平均处理效应的处理和未处理。这些参数的权重与每组中观察值的比例成反比。依赖这些隐式权重可能会对应用工作产生严重后果，我用两个著名的应用程序来说明。我开发简单的诊断工具，实证研究人员可以使用，以避免潜在的偏见。用于实现这些方法的软件在R和Stata中可用。在一个重要的特殊情况下，我的诊断只需要知道治疗单位的比例。
2020-05-19 econ.EM stat.AP stat.ME
Bayesian index models for heterogeneous treatment effects
本文的总体思路是建立一个贝叶斯模型，该模型具有一个灵活的链接函数，将指数型家庭治疗反应与协变量和治疗指标的线性组合以及两者之间的相互作用连接起来。允许数据驱动链接函数的广义线性模型通常被称为“单索引模型”，并且在流行的半参数建模方法中。在这篇文章中，我们将集中在建模异质性处理效应，与发展的目标是治疗效益指数（TBI）纳入历史数据的先验信息。该治疗益处指数可用于根据患者的预测治疗益处水平对患者进行分层，并且可特别用于精确健康应用。将所提出的方法应用于COVID-19治疗研究。
2022-05-03 stat.ME
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
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
A Large Scale Heterogeneous Treatment Effect Estimation Framework and Its Applications of Users' Journey at Snap
Snap Inc.（Snap公司）
本文提出了一种大规模框架，用于估计用户对广告的异质治疗效应，并通过影响力评分提升关键业务指标表现。
2025-11-25 cs.LG stat.AP stat.ME
Estimating Heterogeneous Treatment Effects for General Responses
异质处理效应模型允许我们在亚组和个体水平上比较治疗，并且在个性化医疗、广告和教育等应用中越来越受欢迎。在这次演讲中，我们首先调查了实践中使用的不同因果被估量，重点是估计条件均值的差异。然后，我们提出DINA（自然参数差异）来量化指数家族和Cox模型中的异质性处理效应。对于二元结局和生存时间，DINA对于协变量对处理效应的影响建模既方便又实用。其次，我们介绍了一个元算法DINA，它允许从业者使用强大的现成的机器学习工具的滋扰功能的估计，这也是统计稳健的错误不准确的滋扰功能估计。我们证明了我们的方法与各种机器学习基础学习者在模拟和真实数据集相结合的有效性。
2022-01-27 stat.ME
Testing for subgroup treatment effect consistency in the Cox model
Novartis Pharma AG（诺华制药）；Medical University of Vienna, Center for Medical Data Science, Institute of Medical Statistics（维也纳医科大学医学数据科学中心医学统计学研究所）
本研究针对Cox模型，开发了评估亚组处理效应一致性的新检验方法，其功效优于传统TOST检验，并将其应用于CANTOS试验相关案例研究。
2026-08-11 stat.AP stat.ME
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型，其中的结果是一个虚拟的治疗变量的线性组合，每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理，我们发现，如果非均质系数与给定对照的处理无关，则一个简单的识别条件是广义倾向得分（Imbens，2000）远离零，并且它们的总和远离1，概率为1。我们的分析延伸到分布和分位数处理效应，以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin（1983）关于二元处理的经典识别结果。
2021-11-22 econ.EM 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 Treatment Effect Estimation based on a Partially Linear Nonparametric Bayes Model
近年来，条件平均处理效应（CATE）估计因其在统计学、社会科学和生物医学等领域的重要性而受到广泛关注。本研究提出一个部分线性非参数贝叶斯模型的异质性处理效应估计。部分线性模型是一种半参数模型，由线性和非参数分量以相加形式组成。已经研究了使用高斯过程来对非参数分量建模的非参数贝叶斯模型。然而，该模型不能处理处理效应的异质性。在我们提出的模型中，不仅模型的非参数成分，而且治疗变量的异质性处理效应是由一个高斯过程先验建模。本文导出了CATE的后验分布的解析形式，并证明了后验分布具有相合性。也就是说，它集中在真实分布上。我们通过数值实验的基础上合成数据所提出的方法的有效性。
2022-01-28 stat.ME
Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments
针对机器学习在随机实验中发现的异质性处理效应，提出基于随机化与随机抽样的通用统计推断方法，涵盖组内效应估计、置信区间及非参数检验，并推广至交叉拟合。
2024-04-21 stat.AP stat.ME stat.ML
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
Debiased Inference on Heterogeneous Quantile Treatment Effects with Regression Rank-Scores
本文提出一种结合 $\ell_1$-惩罚回归调整与秩得分偏差校正的新方法，用于高维协变量下异质性分位数处理效应的去偏推断，并通过模拟和英国生物银行数据验证其有效性。
2023-07-11 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
Inference for Heterogeneous Treatment Effects with Efficient Instruments and Machine Learning
Seminar for Statistics, ETH Zurich（苏黎世联邦理工学院统计系）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）
本文提出了一种基于双重/去偏机器学习和高效工具的IV估计器，用于推断异质处理效应，并在合成和实际数据上进行了验证。
2026-02-05 stat.ME
Survival causal rule ensemble method considering the main effect for estimating heterogeneous treatment effects
本文针对生存数据提出一种基于RuleFit的异质性治疗效应估计方法，在保证可解释性的同时取得与现有方法相当的预测精度，并通过HIV研究数据验证了其有效性。
2023-09-21 stat.ME
Deep Learning of Continuous and Structured Policies for Aggregated Heterogeneous Treatment Effects
University of Toronto（多伦多大学）
本文提出一种深度学习框架，通过神经增强朴素贝叶斯层整合连续与离散处理策略因素，实现聚合异质处理效应的直接排序，并在公共数据集上验证了性能提升。
2025-07-07 cs.LG stat.ME
Heterogeneous Treatment Effect Estimation under Noncompliance in the Illinois Workplace Wellness Study with Bayesian Tree Ensembles
Brigham Young University（杨百翰大学）；University of Austin（奥斯汀大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
针对存在不依从情况的随机试验，提出贝叶斯因果森林模型以估计依从者的异质性处理效应，通过模拟验证方法有效性，并将其应用于伊利诺伊州工作场所健康研究，发现了干预对代谢参数和健康安全感知的异质性效应。
2026-07-31 stat.AP stat.ME stat.ML
A causal fused lasso for interpretable heterogeneous treatment effects estimation
提出基于融合套索的因果方法，通过得分排序匹配样本并自适应形成亚组，估计可解释的异质性治疗效果，实验证明其性能与最先进方法相当。
2025-08-08 stat.ME
Estimation of heterogeneous individual treatment effects with endogenous treatments
本文在一个具有二值内生处理的三角模型中估计了个体处理效应。根据Vuong和Xu（2014）建立的识别策略，我们提出了一种两阶段估计方法。首先，我们估计反事实的结果，从而估计样本中每个观察单位的个体处理效应（ITE）。其次，我们估计了群体中个体处理效应的密度。我们的估计方法不受不适定的反问题与反相非线性功能。所提出的方法的渐近性质的建立。我们在蒙特卡罗实验中研究了它的有限样本性质。我们还说明了我们的方法与实证应用程序评估401（k）退休计划对个人储蓄的影响。我们的研究结果表明，有一个小的，但统计上显着比例的个人经历的负面影响，虽然大多数ITE是积极的。
2016-10-27 stat.ME
On Heterogeneous Treatment Effects in Heterogeneous Causal Graphs
North Carolina State University（北卡罗来纳州立大学）；University of California Irvine（加州大学欧文分校）；University of North Carolina Chapel Hill（北卡罗来纳大学教堂山分校）
针对医疗保健中的异质性与共病性挑战，本文提出异质因果图（HCGs）以刻画基于调节因子的异质因果效应（HCEs），推导了其理论性质，并开发交互式结构学习方法进行估计，经模拟与创伤幸存者精神障碍数据验证了有效性。
2023-06-25 cs.LG stat.AP stat.ME
Causal rule ensemble method for estimating heterogeneous treatment effect with consideration of main effects
本研究提出基于RuleFit和S-learner的因果规则集成框架，通过引入主效应和处理效应规则项实现可解释的异质性处理效应估计，数值模拟和实际数据验证了其性能与解释性。
2023-07-27 stat.ME
Rules Ensemble Method with Group Lasso for Heterogeneous Treatment Effect Estimation
基于真实世界数据的精准医学越来越受到科学界的关注，这使得最近的许多研究澄清了处理效应与患者特征之间的关系。然而，这是具有挑战性的，因为个体的处理效应普遍存在异质性，并且关于其背景的真实世界数据复杂且有噪声。由于其灵活性，已经提出了各种异构处理效应（HTE）机器学习（ML）估计方法。然而，大多数ML方法都包含黑盒模型，这妨碍了对个体特征与治疗效果之间相互关系的直接解释。本研究提出了一种基于规则集成方法RuleFit的ML方法来估计HTE。RuleFit的主要优点是可解释性和准确性。然而，HTE总是在潜在结果框架中定义的，并且RuleFit不能直接应用。因此，我们修改了RuleFit，并提出了一种方法来估计HTE，直接从模型中解释个体特征之间的相互关系。
2022-06-17 stat.ME
LongBet: Heterogeneous Treatment Effect Estimation in Panel Data
提出基于贝叶斯因果森林的半参数方法LongBet，无需平行趋势假设即可估计面板数据中的异质处理效应，并提供不确定性量化和条件平均处理效应估计。
2024-06-04 stat.ME
Unsupervised dense random survival forests identify interpretable patient profiles with heterogeneous treatment benefit
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；Amgen（安进）；Telperian（特尔佩里安）
本文提出无监督的密集随机生存森林方法，用于识别具有异质治疗效益的患者亚组，通过模拟和临床试验验证其有效性。
2026-01-04 stat.ME
Exploration of heterogeneous treatment effects via concave fusion
了解治疗异质性对于精准医学的发展至关重要，精准医学旨在为具有相似特征的患者亚组量身定制医学治疗。实现这一目标的挑战之一是，我们通常没有关于治疗的患者分组信息的先验知识。为了解决这个问题，我们考虑了一个异质回归模型，假设治疗变量的系数是受试者依赖的，属于不同的亚组，分组信息未知。我们开发了一种凹融合惩罚方法，用于自动估计分组结构和子组特定的处理效应，并推导出一个交替方向的乘法器算法的实现方法。我们还研究了所提出的方法的理论性质，并表明在适当的条件下，存在一个局部极小，等于预言最小二乘估计与先验知识的真实分组信息的高概率。这为基于所提出的方法对亚组特异性处理效应进行统计推断提供了理论支持。我们评估所提出的方法的性能模拟研究，并说明其应用程序分析数据从艾滋病临床试验组研究。
2019-08-19 stat.ME
Estimating heterogeneous treatment effects in nonstationary time series with state-space models
随机试验和观察性研究通常会持续一段时间。处理效应在此期间发生变化，这为治疗反应和长期效果提供了重要见解。许多用于估计处理效应的常规方法限于i.i.d.并且不适于推断处理效应的时间动态。在这些设置中遇到的时间序列是高度信息化的，但往往是非平稳的，由于不断变化的治疗效果。这增加了困难，因为平稳性，时间序列分析中的常见假设，不能合理地假设。另一个挑战是当处理对单元的影响不同时，处理效应的异质性。从非平稳，特别是介入性时间序列中估计异质处理效应的任务是高度相关的，但尚未得到探索。我们提出了因果转移，一种结合回归调整混杂与时间序列建模的方法，以了解治疗的效果以及它如何随着时间的推移而演变。因果转移不假设数据是固定的，可以应用于随机试验和观察性研究，其中治疗是混杂的。因果转移调整可能混杂因素的效应，并将学习效应转移到其他时间序列，从而估计各种形式的处理效应，例如平均处理效应（ATE）或条件平均处理效应（CATE）。通过学习效果的时间动态，因果转移还可以预测未观察到的未来时间点的处理效应，并确定处理的长期后果。
2020-04-10 stat.ME
Estimating heterogeneous treatment effects by W-MCM based on Robust reduced rank regression
本文提出基于稳健降秩回归的W-MCM方法，用于多结局场景下的异质性处理效应估计与有效亚组识别，能够处理结局间高相关性和离群值，并通过模拟与真实数据验证其有效性。
2024-08-01 stat.ME
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
Identification and Estimation of Heterogeneous Treatment Effects under Non-compliance or Non-ignorable assignment
我们提供了充分的条件来识别异质性处理效应，定义为条件期望的差异，潜在的结果给予未经治疗的结果，在non-conformable治疗条件和可用性的信息的边缘分布的未经治疗的结果。这些函数对于识别平均处理效应（ATE）和确定处理分配策略都是有用的。在应用研究中普遍存在以下两种一般设置：（i）具有单侧不依从性的随机对照试验和（ii）具有关于未治疗结局或其样本矩的边缘分布信息的不可重复分配的观察性研究。为了处理设置有许多积分和缺失值，我们提出了一个（准）贝叶斯估计方法HTE和ATE，并通过模拟研究检查其属性。我们还将所提出的方法应用于国家职业培训合作法案研究所获得的数据集。
2019-01-12 stat.ME
Estimation and inference of average treatment effects under heterogeneous additive treatment effect model
本文针对网络干扰下的平均处理效应估计问题，在异质加性处理效应模型下提出基于特征向量的回归调整估计量，建立其渐近正态性与保守方差估计，并验证其在多种干扰结构下的有效性。
2024-08-30 stat.ME
A Systematic Paradigm for Detecting, Surfacing, and Characterizing Heterogeneous Treatment Effects (HTE)
为了有效地优化和个性化治疗，有必要研究处理效应的异质性。由于在许多在线对照实验中处理了广泛的用户，手动调查异质性的每个维度的典型方法变得过于繁琐，并且容易产生主观的人为偏见。我们需要一种有效的方法来搜索数以千计的实验，数百个目标协变量和数百个细分维度。在本文中，我们提出了一个系统的范式检测，表面和表征异质性处理效应。首先，在指定任何故障之前，我们检测实验中是否存在处理效应变化。第二，我们揭示了异质性最相关的维度。最后，我们通过研究估计的个体处理效应的条件分布来表征条件平均处理效应（CATE）以外的异质性。我们使用模拟数据和实证研究表明，我们的方法的有效性。
2022-11-03 econ.EM stat.ME
Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects
本文比较了结合多个随机试验估计异质性处理效应的非参数方法，发现允许跨试验异质性的方法更优，并应用于四个重度抑郁症试验。
2023-11-15 stat.ME stat.ML
Heterogeneous Treatment Effects and Causal Mechanisms
Duke University（杜克大学）；New York University（纽约大学）
本文探讨了异质性处理效应如何支持因果机制的推断，指出需额外假设才能证明机制激活，并提供新的解释和研究设计指导。
2025-11-21 econ.EM stat.ME
Outlier-Resistant Heterogeneous Treatment Effect Estimation in HDLSS Settings via GAT--CVAE Framework
本文提出一种适用于HDLSS设置的GAT-CVAE鲁棒框架，通过结合图注意力网络与条件变分自编码器进行潜在表示学习与聚类，并利用双重鲁棒估计器估计异质处理效应，在精准医疗和政策评估中表现优于现有方法。
2025-09-13 stat.ME
Distilling heterogeneous treatment effects: Stable subgroup estimation in causal inference
Yale University（耶鲁大学）；University of Notre Dame（圣母大学）；University of California Irvine（加州大学尔湾分校）
本研究提出因果提炼树（CDT），结合黑箱模型的预测性能与决策树的可解释性，在HIV抗逆转录病毒治疗随机对照试验中构建稳定临床相关子群，性能优于现有方法。
2026-09-01 stat.ME
Assumption-Lean Differential Variance Inference for Heterogeneous Treatment Effect Detection
McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）；Lund University（隆德大学）；University of Toronto（多伦多大学）
提出通过潜在结果方差对比推断治疗效果异质性，即使缺失效应修饰变量也能检测，并推导出双重稳健的因果机器学习估计量。
2026-10-14 stat.ME
Heterogeneous Treatment Effects under Network Interference: A Nonparametric Approach Based on Node Connectivity
Purdue University（普渡大学）；University of Michigan（密歇根大学）
该研究针对网络干扰下的因果推断问题，提出了基于节点连通性的非参数方法KECENI，用于估计节点级反事实均值，通过小额信贷数据验证了其可揭示网络特征对处理效应的影响。
2026-08-07 stat.ME
Improved inference for doubly robust estimators of heterogeneous treatment effects
我们提出了一种双重稳健的方法来表征观察性研究中的处理效应异质性。我们开发了一个频率主义的推理程序，利用后验分布的倾向得分和结果回归模型提供有效的推理条件平均处理效应，即使当使用高维或非参数模型。我们表明，我们的方法会导致保守的推断在有限样本或模型误指定，并提供了一个一致的方差估计时，这两个模型都被正确指定。在模拟中，我们说明了这些结果在困难的设置，如高维协变量空间或高度灵活的模型的倾向得分和结果回归的效用。最后，我们分析了NHANES的环境暴露数据，以确定这些暴露的影响如何因受试者级别的特征而异。
2022-07-19 math.ST stat.AP stat.ME
Heterogeneous Quantile Treatment Effect Estimation for Longitudinal Data with High-Dimensional Confounding-v2
East China Normal University（华东师范大学）；The Chinese University of Hong Kong（香港中文大学）；Eli Lilly and Company（礼来公司）
本文针对高维混杂下纵向数据的异质性分位数处理效应估算难题，提出结合卷积平滑分位数回归与正交随机森林的框架，通过模拟验证性能并将其应用于非小细胞肺癌研究。
2026-09-01 stat.ME
False Discovery Rate Controlled Heterogeneous Treatment Effect Detection for Online Controlled Experiments
在线控制实验（Online Controlled Experiments）A/B测试）已被许多互联网公司用作数据驱动的功能更改和产品交付决策的咒语。然而，系统地衡量每个代码或功能更改如何影响数百万具有巨大异质性（例如国家，年龄，设备）的用户仍然是一个巨大的挑战。许多公司最常用的A/B测试框架是基于平均处理效应（ATE），无法检测不同特征用户的处理效应的异质性。在本文中，我们提出了一种统计方法，可以系统地、准确地识别任何感兴趣的用户队列（例如，移动终端类型、国家）的异质性治疗效果（HTE），并确定用户的哪些因素（例如，年龄、性别）对A/B检验中处理效应的异质性有贡献。通过将这些方法应用于模拟数据和真实世界的实验数据，我们展示了它们如何在受控的低错误发现率（FDR）下稳健地工作，同时为我们提供了有关已识别用户组的异质性的有用见解。我们已经部署了一个基于这些方法的工具包，并使用它来测量Snap的许多A/B测试的异构处理效应。
2018-08-14 stat.AP
Targeted Smooth Bayesian Causal Forests: An analysis of heterogeneous treatment effects for simultaneous versus interval medical abortion regimens over gestation
我们介绍了目标平滑贝叶斯因果森林（tsBCF），一种非参数贝叶斯方法，用于估计异质性处理效应，这些效应在观察数据设置中的单个协变量上平滑变化。tsBCF方法通过使用平滑函数对终端树节点进行参数化来诱导平滑，并允许对对照协变量的处理效应与预后效应进行单独的正则化。可以选择用于预后和处理效应的平滑参数以反映先验知识或以数据依赖的方式进行调整。我们使用tsBCF来分析一种新的早期药物流产的临床方案。我们的目的是评估相对有效性的同时与间隔管理米非司酮和米索前列醇在怀孕的前9周。该模型反映了我们的预期，即相对有效性在妊娠期平稳变化，但不一定超过其他协变量。我们展示了性能的tsBCF方法的基准测试实验。可在https://github.com/jestarling/tsbcf/上获得tsBCF软件。
2020-02-23 stat.AP
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
Heterogeneous Treatment Effect Estimation for Observational Data using Model-based Forests
异质性处理效应（HTEs）的估计在许多学科中引起了相当大的兴趣，最突出的是在医学和经济学中。到目前为止，当代研究主要集中在连续和二进制响应，其中传统上通过线性模型估计HTE，即使在某些模型错误指定下，也可以估计恒定或异质效应。更复杂的生存、计数或顺序结局模型需要更严格的假设来可靠地估计处理效应。最重要的是，不可替代性问题需要联合评估治疗和预后效果。基于模型的森林允许同时估计协变量依赖的治疗和预后效应，但仅适用于随机试验。在本文中，我们提出修改基于模型的森林，以解决观测数据中的混淆问题。特别是，我们评估的正交化策略最初提出的罗宾逊（1988年，计量经济学）的背景下，基于模型的森林目标HTE估计在广义线性模型和转换模型。我们发现，这种策略减少了混杂效应在模拟研究中的各种结果分布。我们通过评估阿曲唑对肌萎缩侧索硬化症进展的潜在异质性影响，展示了HTE估计生存和有序结局的实际方面。
2022-10-06 stat.ME stat.ML
Concise Summarization of Heterogeneous Treatment Effect Using Total Variation Regularized Regression
随机对照实验一直被认为是各个科学领域建立因果关系和估计因果效应的金标准。平均处理效应通常用于总结效果估计，尽管通常认为处理效应在个体之间存在差异。近十年来，随着“大数据”的出现，越来越多的实验具有大样本量和日益丰富的副信息，这使得实验者能够发现和理解异质性处理效应（HTE）。HTE的理解包括两个方面，一是预测给定的副信息集或给定的个体条件下的效果，二是解释HTE结构并以记忆的方式对其进行总结。前一方面可以看作是一个回归问题，后一方面侧重于简明的总结和解释。在本文中，我们提出了一种可以同时实现这两者的方法。该方法可以用公式表示为一个凸优化问题，为此我们提供了稳定和可扩展的实现。
2016-10-13 stat.AP
A nonparametric Bayesian analysis of heterogeneous treatment effects in digital experimentation
随机对照试验在互联网公司如何预测政策决策和产品变化的影响方面发挥着重要作用。在这些“数字实验”中，不同的单位（人、设备、产品）对治疗的反应不同。本文提出了一种快速和可扩展的贝叶斯非参数分析的异质性处理效应和他们的测量可观察到的协变量。通过线性投影和非线性回归树（CART和随机森林），提供了量化与处理效应测量相关的不确定性的新结果和算法。对于线性预测，我们的推理策略导致的结果，大多是在与那些从频率论文献。我们发现处理效应平均值的线性回归调整（即，后分层）可以提供一定的方差减小，但是这种减小在数字实验的低信号和大样本设置中将非常小。对于回归树，我们为通常应用于树拟合的机器学习算法提供了不确定性量化。我们认为，从业者应该看看合奏的树木（森林），而不是个别树木在他们的分析。通过一个涉及2100万独立用户的EBay.com的示例实验，应用和说明的想法。
2015-12-18 stat.AP
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
GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace
Didi Chuxing（滴滴出行）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
可持续性建模是一种快速发展的方法，它利用因果推断和机器学习方法直接估计异质处理效应，近年来已广泛应用于各种在线市场，以辅助大规模决策。现有的流行模型，如因果森林（CF），是有限的，要么离散的治疗或提出参数假设的结果，治疗关系，可能遭受模型误指定。然而，连续治疗（例如，价格、期限）经常出现在市场上。为了减轻这些限制，我们使用基于核的双重鲁棒估计恢复非参数剂量反应函数，可以灵活地模拟连续的处理效应。此外，我们提出了一个通用的基于距离的分裂标准，以捕捉连续治疗的异质性。我们称该算法为广义因果森林（GCF），因为它将CF的用例推广到更广泛的设置。我们证明了GCF的有效性，通过推导估计量的渐近性质，并将其与合成数据集和真实数据集上流行的隆升建模方法进行比较。我们在Spark上实现了GCF，并成功地将其部署到一家领先的乘车共享公司的大规模在线定价系统中。在线A/B测试结果进一步验证了GCF的优越性。
2022-09-23 cs.LG stat.AP stat.ME
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
The stratified micro-randomized trial design: sample size considerations for testing nested causal effects of time-varying treatments
移动设备和可穿戴传感器领域的技术进步有助于克服护理提供方面的障碍，使随时随地提供行为治疗成为可能。这些治疗的提供越来越多地由可能受到先前治疗影响的风险或参与的预测触发。此外，治疗通常被设计为在一段时间内对个体产生影响，在此期间可以提供后续治疗。在这里，我们讨论了我们的工作设计的移动健康戒烟实验研究，其中出现了两个挑战。首先，治疗的随机化应该发生在压力的时候，其次，在一段时间内，可能包括随后的治疗，利息的结果累积。为了应对这些挑战，我们开发了“分层微随机试验”，在该试验中，每个个体在治疗中随机分配，时间由从结果到先前治疗的预测确定，随机分配概率取决于这些结果。我们定义了条件性和边缘性近端处理效应。根据科学目标，这些影响可以在一段时间内定义，在此期间可以提供后续治疗。我们开发了一个主要的分析方法和相关的样本量公式来检验这些影响。
2017-11-09 stat.AP
TERRA: A Transformer-Enabled Recursive R-learner for Longitudinal Heterogeneous Treatment Effect Estimation
TERRA提出一种Transformer赋能的递归R学习器，通过编码治疗历史和递归残差学习，解决纵向HTE估计中的遗留效应与治疗后偏倚，并在模拟和实际数据中优于基线。
2025-10-25 stat.ME
Subsample Least Squares Estimator for Heterogeneous Effects of Multiple Treatments with Any Outcome Variable
针对多重处理下OLS估计受异质性效应污染而不一致的问题，提出一种对误设具有鲁棒性的子样本OLS方法，可一致估计任意结果变量形式的X异质性效应重叠权重平均值。
2023-09-13 stat.ME
