Generalized Causal Tree for Uplift Modeling
针对现有增益模型中基于树的方法多局限于单干预单对照场景的问题，本文提出可处理多离散及连续值干预的广义因果树框架，经实验和真实数据验证有效，且泛化技术可拓展至其他树方法。
2023-12-19 stat.AP stat.ME stat.ML
A general framework for causal classification
University of South Australia（南澳大学）；School of Computer and Information, Hefei University of Science and Technology（合肥理工大学计算机与信息学院）
在许多应用中，需要从数据中预测干预对不同个体的影响。例如，哪些客户可以被产品促销说服？哪些患者应该接受某种治疗？这些是典型的因果问题，涉及干预措施的效果或结果的变化。这些问题无法用传统的分类方法来回答，因为它们只使用关联来预测结果。对于个性化营销，这些问题通常通过提升建模来回答。隆升模型的目的是估计因果效应，但其文献没有讨论什么时候隆升代表因果效应。因果异质性模型可以解决这个问题，但其假设的不混淆是不可测试的数据。因此，从业者在使用这些方法时，需要在应用程序中提供指导。在本文中，我们使用因果分类的一组个性化的决策问题，并区分它从分类。我们讨论的条件时，因果分类可以解决隆起（和因果异质性）建模方法。我们还提出了一个因果分类的一般框架，通过使用现成的监督方法灵活实现。实验表明，因果分类和隆起（因果异质性）建模的框架工作的两个实例，并与其他隆起（因果异质性）建模方法的竞争力。
2021-03-15 cs.LG stat.ML
A Large Scale Benchmark for Individual Treatment Effect Prediction and Uplift Modeling
Criteo AI Lab（Criteo人工智能实验室）；University Grenoble Alps（格勒诺布尔阿尔卑斯大学）；ENS Paris Saclay（巴黎萨克雷高等师范学校）
个体处理效应（ITE）预测是机器学习的一个重要研究领域，其目的是在粒度水平上解释和估计行为的因果影响。它代表了一个在多个应用领域（如医疗保健，在线广告或社会经济学）日益增长的兴趣的问题。为了促进对这一主题的研究，我们发布了从几项随机对照试验中收集的1390万个样本的公开集合，将以前可用的数据集扩展了210倍。我们提供有关数据收集的详细信息，并执行健全性检查，以验证将此数据用于因果推断任务。首先，我们形式化了可以使用这些数据执行的提升建模（UM）任务，以及相关的评估指标。然后，我们提出了合成响应面和异质性治疗分配提供了一个一般的ITE预测设置。最后，我们报告了验证数据集关键特征的实验，利用其大小来评估和比较（具有高统计学意义）一系列基线UM和ITE预测方法。
2021-11-19 cs.AI cs.LG stat.AP
A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling
本文通过Criteo Uplift v2.1数据集对比四种CATE估计器，发现S-Learner在Qini系数上表现最佳，且在提升转化率方面有显著提升，同时揭示了异质治疗效应的主要驱动因素。
2026-04-07 cs.LG econ.EM stat.CO
Class flipping for uplift modeling and Heterogeneous Treatment Effect estimation on imbalanced RCT data
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）；Faculty of Mathematics and Information Science, Warsaw University of Technology（华沙理工大学数学与信息科学学院）
针对随机对照实验数据中uplift建模与HTE估计的类别及处理组不平衡问题，提出基于样本类别翻转的方法，可避免效应扭曲且无需校准，适配修正结果模型，实验验证有效且可用于标准分类。
2024-12-13 cs.LG stat.ML
Uplift Modeling based on Graph Neural Network Combined with Causal Knowledge
Alipay, AntGroup（支付宝，蚂蚁集团）；Imperial College London（伦敦帝国理工学院）；University College London（伦敦大学学院）；Zhejiang University（浙江大学）；Peking University（北京大学）；Zhejiang Lab（之江实验室）
提出一种结合因果知识与图神经网络的增量建模框架，通过CATE估计和结构学习，有效预测增量值，在模拟和实际数据中表现良好。
2023-11-14 cs.AI cs.LG stat.ML
A Practically Competitive and Provably Consistent Algorithm for Uplift Modeling
Massachusetts Institute of Technology（麻省理工学院）
几十年来，随机实验一直是决策的重要工具。然而，在许多重要的应用中，受试者对治疗的反应可能显示出显著的异质性。因此，仅仅知道哪种治疗对整个人群是最佳的是不够的。我们需要的是一个模型，正确定制治疗分配的基础上受试者的特点。从随机化实验数据构造这样的模型的问题在文献中被称为非线性建模。已经提出了许多算法隆升建模和一些已产生的各种数据集上的有前途的结果。然而，很少有人知道这些算法的理论特性。在本文中，我们提出了一种新的基于树的集成算法隆起建模。实验表明，我们的算法可以取得有竞争力的结果合成和工业提供的数据。此外，通过适当调整节点大小参数，证明了算法在弱正则性条件下的一致性。这是我们所知道的第一个用于隆起建模的一致算法。
2017-09-12 cs.AI cs.LG stat.ML
Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy
Deepit Sapru
本文提出一个优化客户定向的营销决策框架，结合异质处理效应估计与明确业务保护规则，旨在最大化收入和留存同时遵守预算、收入保护和客户体验等约束。
2026-02-04 cs.LG stat.ME
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
The Comparison of Methods for Individual Treatment Effect Detection
National Research University Higher School of Economics（国立研究型大学高等经济学院）
今天，在个人水平上的治疗效果估计是科学和商业的许多领域的一个重要问题。例如，在市场营销中，治疗效果的估计用于选择最有效的促销机制;在医学中，个体治疗效果用于确定每个患者的最佳药物剂量等等。同时，选择最佳方法的问题，即，确保最小预测误差（例如，RMSE）或最高总（平均）效果值的方法保持开放。因此，在本文中，我们比较了机器学习方法估计个体治疗效果的有效性。比较是在Criteo Uplink建模数据集上进行的。在本文中，我们表明，Logistic回归方法和差异得分方法以及USCOM随机森林方法的组合提供了最佳的正确性的个体治疗效果预测的前30%的观察测试数据集。
2019-12-03 cs.LG stat.AP stat.ML
Heteroscedasticity-aware stratified sampling to improve uplift modeling
针对随机对照试验成本高的问题，提出异方差感知分层抽样 HS，通过向高噪声个体分配更多观测，提升 ATE 估计、增益模型训练与评估的精度和可靠性。
2024-01-25 stat.ME
Boosting algorithms for uplift modeling
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
持续性建模是机器学习的一个领域，其目的是预测某些行为对给定个体的因果影响。该动作可以是医疗程序、营销活动或由实验者控制的任何其他情况。建立一个提升模型需要两个训练集：治疗组，其中个人已经受到行动，和控制组，其中没有采取行动。然后，提升模型允许评估对给定个体采取行动所产生的收益，例如患者康复或购买产品的概率增加。本文介绍了一个适应的知名的升压技术的隆起建模的情况下。我们制定了三个理想的性质，提升提升算法应该有。由于所有三个属性不能同时满足，我们提出了三个提升提升算法，每个满足其中两个。实验表明，所提出的方法，这往往显着提高性能的基础模型，因此是新的和强大的工具隆起建模的有用性。
2018-07-20 cs.LG stat.ML
Adapting Neural Networks for Uplift Models
University of Montreal（蒙特利尔大学）；TD Insurance（道明保险）
单次给药是个体处理效应建模的一种特殊情况。这种模型处理特定因素的因果推理，例如营销干预。在实践中，这些模型建立在购买产品或服务的客户数据上，以改善产品营销。使用i）条件均值回归或ii）转换结果回归估计不确定性。大多数现有的方法是适应的分类和回归树的隆起的情况下。然而，在实践中，这些常规方法易于过拟合。在这里，我们提出了一种新的方法，使用神经网络。这种表示允许联合优化条件均值和转换结果损失的差异。因此，该模型不仅估计了隆起，而且还确保了预测结果的一致性。我们专注于完全随机化的实验，这是我们的数据的情况。我们表明，我们提出的方法提高了最先进的合成和真实数据。
2020-10-30 cs.LG stat.ML
Response Transformation and Profit Decomposition for Revenue Uplift Modeling
School of Business and Economics, Humboldt-University of Berlin（柏林洪堡大学经济与商学院）；Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
营销活动规划中的可持续性模型支持决策。通过估计营销处理的因果效应，提升模型有助于将沟通目标对准响应客户，并有效分配营销预算。对提升模型的研究侧重于转换模型，以最大限度地增加销售额。本文介绍了提升建模策略，以最大限度地增加收入。如果客户在他们的消费行为不同，收入最大化是一个更合理的商业目标相比，最大化转换。所提出的方法需要转换的预测目标，客户层面的收入，这有利于实现一个因果提升模型使用标准的机器学习算法。由于许多非买家，竞选收入的分配通常是零膨胀的。针对这一建模挑战的补救措施以两阶段模型的形式纳入了拟议的收入提升战略。使用真实世界电子商务数据的实证实验证实了所提出的收入提升策略优于相关替代方案，包括转换的提升模型和最近开发的因果机器学习算法。为了量化改进的目标定位决策提高营销回报的程度，本文开发了一个运动利润的分解。将分解应用于数字优惠券定位活动，本文提供了证据，证明收入提升建模以及因果机器学习可以大幅提高广告利润。
2019-11-20 cs.LG stat.ML
Uplift Modeling Under Limited Supervision
University of Luxembourg（卢森堡大学）；Université Paris-Saclay（巴黎-萨克雷大学）；CentraleSupélec（中央高等电力学院）；Inria（法国国家信息与自动化研究所）
本文提出一种基于图神经网络和获取函数的框架，在有限监督和极低实验预算下预测电子商务中的处理效应，实验表明其显著优于现有方法。
2024-09-02 cs.AI cs.LG stat.ME
Tree-based Subgroup Discovery In Electronic Health Records: Heterogeneity of Treatment Effects for DTG-containing Therapies
电子健康档案（EHR）提供的丰富的纵向个体水平数据可用于检查处理效应异质性。然而，使用EHR数据估计处理效应带来了一些挑战，包括时变混杂、协变量的重复和时间不一致测量、治疗分配和结局以及由于脱落导致的失访。在这里，我们开发了纵向数据的亚组发现（SDLD）算法，一种基于树的算法，用于通过将广义交互树算法（一种用于亚组发现的通用数据驱动方法）与纵向目标极大似然估计相结合，使用纵向数据发现具有异质处理效应的亚组。我们将该算法应用于EHR数据，以发现人类免疫缺陷病毒（HIV）感染者的亚组，他们在接受含度鲁特韦的抗逆转录病毒治疗（ART）时体重增加的风险高于接受不含度鲁特韦的ART时。
2022-08-30 stat.AP stat.ME stat.ML
Assessing effect heterogeneity of a randomized treatment using conditional inference trees
当个体特征影响治疗效果时，发生处理效应异质性。我们提出了一种新的方法，结合预后评分匹配和条件推理树来表征随机二进制治疗的效果异质性。将我们的方法与替代方法区分开的一个关键特征是它控制第一类错误率，即，如果不存在效应异质性并保留基础亚组，则确定效应异质性的概率。这一特点使得我们的技术在临床试验中特别有吸引力，在临床试验中，错误地宣称不同人群亚组的效果不同可能会产生重大成本。TEHTree能够识别异质亚组，表征相关亚组并估计相关的处理效应。我们使用全面的模拟研究证明了所提出的方法的有效性，并使用营养试验数据集来说明我们的方法，以评估患者人群中的效果异质性。
2020-11-23 stat.AP stat.ME
Optimising Individual-Treatment-Effect Using Bandits
University of Brussels (VUB)（布鲁塞尔自由大学（VUB））
在经济学、医疗保健和市场营销等领域应用因果推理模型受到机器学习社区的极大兴趣。特别是，在精准医疗和定向广告等环境中估计个体治疗效果（ITE）的应用已经达到顶峰。在强兼容性假设下优化该ITE-意味着所有表达对治疗结果影响的混杂因素都记录在数据中-通常被称为提升建模（UM）。虽然这些技术已被证明在许多环境中很有用，但由于概念漂移，它们在动态环境中会受到生动的影响。例如，当竞争对手的产品发布时，对营销活动的负面影响。针对这一点，我们提出了提升上下文多臂土匪（U-CMAB），一种新的方法来优化ITE借鉴土匪文学。真实和模拟数据的实验表明，我们提出的方法相比，有利的国家的最先进的。我们所有的代码可以在网上找到https://github.com/vub-dl/u-cmab。
2019-10-16 cs.AI cs.LG stat.ML
Budget-Constrained Causal Bandits: Bridging Uplift Modeling and Sequential Decision-Making
本文提出预算约束因果老虎机框架，解决冷启动场景下的广告分配问题，通过在线学习提升用户响应并优化预算分配，相较于传统方法更高效且稳定。
2026-08-31 cs.LG econ.EM stat.ML
Using Individualized Treatment Effects to Assess Treatment Effect Heterogeneity
Advanced Methodology and Data Science, Novartis Pharma AG（诺华制药AG高级方法与数据科学）；China Novartis Institutes for Bio-medical Research CO.（中国诺华生物医学研究院有限公司）；Advanced Methodology and Data Science, Novartis Pharmaceuticals Corporation（诺华制药有限公司高级方法与数据科学）；Department of Statistics, Stanford University（斯坦福大学统计学系）
本文提出利用个体治疗效应评估治疗效应异质性的方法，结合DR学习器和WATCH工作流程，提供稳健的分析框架以提升临床决策。
2026-02-05 stat.AP stat.ME
A Workflow for Evaluating Regional Treatment Effect Heterogeneity in Multi-Regional Clinical Trials
China Novartis Institutes for BioMedical Research Co.（中国诺华生物医学研究有限公司）；Department of Biostatistics, School of Public Health, Peking University（北京大学公共卫生学院生物统计系）；Peking University Cancer Hospital（北京大学肿瘤医院）；Advanced Methodology and Data Science, Novartis Pharma AG（诺华制药AG高级方法与数据科学部）；Advanced Methodology and Data Science, Novartis Pharmaceuticals Corporation（诺华制药公司高级方法与数据科学部）；Department of Public Health Sciences, University of Chicago（芝加哥大学公共卫生学系）；Biostatistics CRM/NS/IMM, Advanced Quantitative Sciences, Global Drug Development Division, Novartis Pharma K.K.（日本诺华制药K.K.全球药物开发部高级定量科学生物统计CRM/NS/IMM）；Key Laboratory of Carcinogenesis and Translational Research (Ministry of Education), Peking University Cancer Hospital & Institute（北京大学肿瘤医院及研究所癌变与转化教育部重点实验室）
本文提出了一种结构化、问题导向的框架，用于指导多地区临床试验中区域异质性的探索性评估，通过四个关键问题明确分析目标，并提出相应的统计方法来解决这些问题。
2026-05-16 stat.AP stat.ME
Treatment Effect Heterogeneity and Importance Measures for Multivariate Continuous Treatments
本文针对多元连续暴露的处理效应估计问题，提出灵活的非参数贝叶斯方法，引入刻画处理效应异质性的新估计量并给出估计程序，通过后验收缩率提供理论支持，并在PM$_{2.5}$组分暴露健康效应研究中验证了方法有效性。
2025-01-03 stat.AP stat.ME
A U-statistic-based test of treatment effect heterogeneity
许多研究的目标是确定不同亚群之间是否存在处理效应异质性。在本文中，我们提出了一个基于U-统计量的非参数检验的原假设，处理效应是相同的，在不同的亚组。建议的测试提供了更多的权力比标准的参数测试时，后者的基本分布假设被违反。我们应用该方法的数据从经济研究的计划有效性，并发现有处理效应异质性在不同的亚群。
2020-12-07 stat.ME
Identify treatment effect patterns for personalised decisions
University of South Australia（南澳大学）；Consilium Technology（康西里姆科技公司）
在个性化决策中，需要证据来确定某项行动（治疗）是否适合个人。可通过对亚组中的处理效应异质性进行建模来获得此类证据。现有的可解释建模方法采用自上而下的方法来搜索具有异质处理效应的亚组，并且它们可能错过个体的最具体和最相关的背景。在本文中，我们设计了一个\emph{Treatment effect pattern (TEP)}来表示数据中的处理效应异质性。为了实现TEPs的可解释的呈现，我们使用结果周围的局部因果结构来明确显示这些重要变量如何用于建模。我们还推导出一个公式，用于无偏估计的\emph{Conditional Average Causal Effect (CATE)}使用本地结构在我们的问题设置。在发现过程中，我们的目标是最大限度地减少由模式表示的每个子组内的异质性。我们提出了一个自下而上的搜索算法，以发现最适合个人情况的最佳个性化决策的最具体的模式。实验结果表明，该方法模型的处理效应异质性优于其他三个现有的基于树的方法在合成和真实世界的数据集。
2022-06-23 cs.LG stat.ME stat.ML
Testing for idiosyncratic Treatment Effect Heterogeneity
本文提出一种基于经验特征函数的渐近有效检验方法，用于检验无法由可观测特征解释的特异性处理效应异质性，有效规避了冗余参数问题，模拟和实证均验证了其有效性与更高功效。
2023-04-03 econ.EM stat.AP stat.ME
Comparing methods to assess treatment effect heterogeneity in general parametric regression models
Novartis Pharmaceuticals Corporation（诺华制药公司）；Novartis Pharma AG（诺华药品股份公司）；China Novartis Institutes for Bio-Medical Research Co（中国诺华生物医学研究所有限公司）；Universität Zürich（苏黎世大学）
本文比较了参数回归模型中评估治疗效应异质性的不同方法，发现基于分数残差的方法在灵活性和可靠性方面表现优异，适用于临床试验中的决策支持。
2026-02-05 stat.AP
Assessing Heterogeneity of Treatment Effects
本文利用边际分布推导异质性处理效应的非参数严格界限，并在平均效应不显著或理论预测相悖时，通过微观金融和福利改革案例展示其实用性。
2025-08-06 econ.EM stat.AP stat.ME
A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases
处理效应异质性的预测方法声明重点关注基线风险作为处理效应的稳健预测因子，并为RCT背景下基于风险的处理效应异质性评估提供指导。本研究的目的是使用标准化的可扩展框架将这种方法扩展到观察环境。该框架包括五个步骤：1）确定研究目标，即，人群、治疗、对照药物和关注的结局; 2）相关数据库的识别; 3）关注结局的预测模型的开发; 4）校正观察到的混杂因素后，在预测风险分层内估计相对和绝对处理效应; 5）结果的展示。我们通过评估血管紧张素转换酶（ACE）抑制剂与β受体阻滞剂对三个观察性数据库中三个疗效和六个安全性结局的影响的异质性来证明我们的框架。拟议的框架可以补充任何比较效力研究。我们提供了一个公开可用的R软件包，用于将此框架应用于映射到观察性医学成果伙伴关系公共数据模型的任何数据库。在我们的研究中，急性心肌梗死低风险患者在所有三种疗效结局方面的绝对获益可忽略不计，尽管在最高风险季度更为明显，尤其是在心力衰竭住院治疗方面。然而，失败的诊断显示残余不平衡的证据，即使在调整观察到的混杂。我们的框架允许评价不同风险分层的不同处理效应，这为考虑替代治疗之间的获益-损害权衡提供了机会。
2022-07-01 stat.ME stat.ML
Semi-supervised inference for treatment heterogeneity
该研究针对因果推断中治疗异质性测量的半监督场景，提出TTH和ETH的半监督估计量，通过重加权策略解决ETH估计的效率损失问题，经模拟和艾滋病临床试验数据验证，方法更稳健高效且渐近方差不超监督方法。
2025-09-05 stat.ME
Estimating Treatment Effects Under Bounded Heterogeneity
Brown University（布朗大学）；University College London（伦敦大学学院）；CEMFI
本文提出regulaTE估计器，在治疗效应异质性有界条件下生成考虑异质性的置信区间，通过调整界使敏感性分析适用于非恒定效应的实证应用。
2026-08-27 econ.EM stat.ME
Patient-Specific Models of Treatment Effects Explain Heterogeneity in Tuberculosis
Pitt School of Medicine（匹兹堡大学医学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Petuum Inc.（Petuum公司）
针对结核病患者反应的异质性问题，提出基于多任务学习的上下文化建模方法，将患者背景编码为个性化治疗效果模型，在3000多名患者数据上揭示了合并症与治疗结果的结构化交互，为个性化治疗提供新方法。
2024-11-16 cs.LG stat.ML
Empirical stratification for predictive treatment effect heterogeneity with post-treatment variables
Washington University in St. Louis（华盛顿大学圣路易斯分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Indiana University Bloomington（印第安纳大学布鲁明顿分校）
提出一种假设精简的经验分层框架，通过基于基线协变量预测的潜在治疗后变量响应定义经验得分，构建可识别的经验分层处理效应，并连接主分层因果效应。
2026-07-17 stat.ME
On the Relationship between Treatment Effect Heterogeneity and the Variability Ratio Effect Size Statistic
最近，变异比（VR）效应量统计量已被越来越频繁地用于研究两个研究人群之间测量变量的变异差异。更具体地说，VR效应量统计允许检测医疗干预的处理效应异质性（TEH）。虽然广泛认为VR不同于1意味着处理效应异质性（TEH），但迄今为止尚未详细讨论这两个量之间的确切关系。在本文中，我们推导出TEH和VR之间的精确联系。特别是，我们推导出精确的上限和下限TEH的VR。此外，我们提供了VR等于1并且存在TEH的示例性仿真。我们的研究结果的VR效应量估计的解释，其连接到（医疗）干预的处理效应异质性的影响。
2020-06-21 stat.ME
Machine Learning Analysis of Heterogeneity in the Effect of Student Mindset Interventions
Massachusetts Institute of Technology（麻省理工学院）
我们通过国家学习心态研究（NSLM）的观察数据集研究了心态干预对学生水平表现的影响的异质性。我们的分析使用机器学习（ML）来解决以下相关问题：评估治疗组重叠和协变量平衡，插补条件平均处理效应，以及解释插补效应。通过比较几个不同的模型家族，我们说明了现成的和专门建立的估计的灵活性。我们发现，心态干预有积极的平均效果为0.26，95%-CI [0.22，0.30]，在[0.1，0.4]范围内的异质性是由学校水平的成绩水平，贫困集中，城市化，和学生先前的期望调节。
2018-11-14 cs.LG stat.AP stat.ML
Evaluating the influence of treatment-effect heterogeneity on discrimination
Université Paris Cité and Université Sorbonne Paris Nord, Inserm, INRAE, Center for Research in Epidemiology and StatisticS (CRESS)（巴黎西岱大学与索邦巴黎北大学、法国国家健康与医学研究院、法国国家农业食品与环境研究院、流行病学与统计学研究中心）；Centre d’Épidémiologie Clinique, Assistance Publique-Hôpitaux de Paris, Hôtel-Dieu（临床流行病学中心，巴黎公立援助医院集团，主宫医院）
本研究评估处理效应异质性对条件平均处理效应模型判别能力的影响，发现不同判别指标对异质性的要求不同，获益集中度在异质性极低时也能表现出完美判别。
2026-08-07 stat.AP
Nonparametric tests for treatment effect heterogeneity in observational studies
我们考虑了观察性研究中处理效应异质性的检验问题，提出了一种基于多样本U统计量的非参数检验方法。为了解释潜在的混杂因素，我们使用重新加权的数据，其中权重由估计的倾向得分确定。所提出的方法不需要对结局进行任何参数假设，并且绕过了对每个研究亚组的处理效应进行建模的需要。我们建立了检验统计量的渐近正态性，并通过模拟研究证明了其优越的数值性能。两个真实的数据应用，包括就业计划评估研究和中国的独生子女政策的心理健康研究进行了讨论。
2021-03-28 stat.ME
Inference on Variable Importance for Treatment Effect Heterogeneity: Shapley Values and Beyond
University of Copenhagen（哥本哈根大学）；University of Washington（华盛顿大学）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）；Harvard University（哈佛大学）
本文提出一个推断框架，用于评估治疗效应异质性中的变量重要性，特别适用于高风险领域如医学，通过Shapley值等方法分析变量重要性，适用于统计机器学习算法量化治疗效应异质性。
2026-05-08 math.ST stat.ME stat.ML
Splitting the Difference: Interpretable Causal Forests for Treatment Effect Heterogeneity and Bias
University of Regensburg（雷根斯堡大学）
本文提出一种基于决策树和随机森林的简单算法，通过结合异质性与偏差校正两个分裂准则，无需额外估计倾向函数即可估计个体处理效应，兼顾预测准确性与可解释性。
2026-09-16 cs.LG stat.ML
Multi-Study Causal Forest (MCF): A flexible framework for data borrowing in the presence of varying treatment effect heterogeneity
本文提出多研究因果森林（MCF）框架，在存在研究间和研究内治疗效果异质性时从辅助数据源借用个体患者数据，并通过模拟和乳腺癌数据证明其优于现有方法。
2025-02-04 stat.ME
A randomization-based perspective of analysis of variance: a test statistic robust to treatment effect heterogeneity
在有限总体环境中考虑了Neyman原假设（无平均治疗效应）的Fisher随机化检验，该环境与两种以上治疗的完全随机化实验相关。从理论和计算两方面对使用$F$统计量进行此类检验的后果进行了检查，并认为在治疗效应异质性下，在Fisher随机化检验中使用$F$统计量可能会严重增加内曼原假设下的I型错误。提出了一种替代的检验统计量，导出了它在Fisher和Neyman原假设下的渐近分布，并证明了它的优点。
2017-07-24 math.ST stat.ME stat.TH
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
Personalized Treatment Selection using Causal Heterogeneity
LinkedIn Corporation（领英公司）
随机实验（也称为A/B测试或桶测试）在互联网行业中广泛使用，以衡量不同治疗方法对指标的影响。A/B检验确定表现最佳的治疗方案，然后成为整个人群的选择或选定的治疗方案。然而，给定治疗的效果在实验单位之间可能不同，并且用于治疗选择的个性化方法可以大大改善通常的全局选择策略。在这项工作中，我们开发了一个个性化的框架，通过（i）估计异质性处理效应在任何一个队列或成员的水平，其次是（ii）选择最佳的治疗方案的队列（或成员）通过（确定性或随机）约束优化。我们对我们提出的方法进行了双重评估。首先，进行模拟分析，以研究在仔细控制的设置下的个性化治疗选择的效果。该模拟说明了所提出的方法之间的差异和每个方法的适用性，随着不确定性的增加。我们还证明了该方法的有效性，通过一个现实生活中的例子，在LinkedIn的通知服务。该解决方案显著优于启发式解决方案和全局治疗选择基线，从而在会员访问等顶线指标上取得了相当大的胜利。
2020-12-21 cs.LG stat.ME
Uncovering Treatment Effect Heterogeneity in Pragmatic Gerontology Trials
Yale School of Public Health（耶鲁大学公共卫生学院）；Yale School of Medicine（耶鲁大学医学院）；Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）
本研究利用BART方法揭示了实用老年学试验中治疗效应的异质性，发现尽管整体效应为零，某些子群体仍存在生活质量差异。
2026-01-07 stat.AP stat.ME
Variable importance for causal forests: breaking down the heterogeneity of treatment effects
本文针对因果森林的黑箱局限，提出一种基于“丢弃并重新学习”原则的变量重要性算法，用于量化各输入对处理效应异质性的影响，并通过修正项处理混杂变量，实验证明其性能优于竞争方法且可扩展到变量组。
2023-08-07 stat.ML
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
Supervised variable selection in randomised controlled trials prior to exploration of treatment effect heterogeneity: an example from severe malaria
探索处理效应异质性（TEH）是现代统计分析在随机对照试验（RCT）中分层药物的一个越来越重要的方面，因为我们开始收集更多关于试验参与者的信息，并希望最大限度地从数据中学习的机会。但是，分析人员应避免在治疗相互作用发现阶段纳入大量变量。因为这样做可以显著稀释检测治疗和协变量之间任何真实结果预测相互作用的能力。目前的指导是有限的，主要依赖于使用无监督的学习方法，如层次聚类或主成分分析，以减少互动测试之前的变量空间的维度。在这篇文章中，我们表明，结果驱动的降维，即监督变量的选择，可以保持功率没有膨胀的第一类错误或假阳性率。我们提供了理论和应用结果来支持我们的方法。应用的结果是从说明我们的框架上的数据集从一个RCT在严重疟疾。我们还特别注意TEH发现的内部风险模型方法，我们表明这是我们的方法的一个特殊情况，我们指出对当前实施的改进。
2019-01-11 stat.AP stat.ME
Adaptive Experiments Toward Learning Treatment Effect Heterogeneity
针对现有揭示治疗效应异质性的随机实验设计研究不足的问题，提出响应自适应实验框架，可高效识别高治疗效应亚组，统一两类自适应设计并补充现有实验设计，经理论与模拟验证有效。
2024-07-10 stat.ME
A pseudo-outcome-based framework to analyze treatment heterogeneity in survival data using electronic health records
本文提出基于伪结局的生存数据HTE分析框架，整合元学习器、变量重要性与亚组选择，并在哮喘EHR数据中识别WAAP高获益脆弱亚组。
2024-05-17 stat.AP stat.ME
A Permutation Test for Assessing the Presence of Individual Differences in Treatment Effects
随着对个体差异的理解的加深，一刀切的医学方法已经成为过去。本文介绍了一种检验临床试验中处理效应异质性的方法。基于预测的个体处理效应（PITE）框架评估异质性，并使用排列检验确定是否存在显著异质性。我们首先使用新的测试表明，在肌萎缩侧索硬化症的临床试验中存在的干预措施的效果的异质性。然后，我们表明，使用两种不同的预测模型（线性回归模型和随机森林）的测试有足够的第一类错误控制。接下来，我们使用ALS数据作为模拟的基础，以证明置换检验发现处理效应异质性的能力，作为效应量和样本量的函数。我们发现，当异质性主要是由于一个单一的预测因素，或当它是跨预测因素传播时，拟议的测试有很好的权力来检测异质性的处理效应。另一方面，预测模型对于检测异质性是次要的。置换检验的非参数性质可以应用于任何预测方法，并且不需要额外的假设来获得PITE。
2019-11-17 stat.ME
Methods for Integrating Trials and Non-Experimental Data to Examine Treatment Effect Heterogeneity
以观察到的协变量为条件估计处理效应可以提高针对特定个体定制处理的能力。要有效地做到这一点，需要处理潜在的混杂因素，以及足够的数据来充分估计效应适度。最近大量的工作已经研究了使用来自多个随机对照试验和/或观察数据集的数据来估计处理效应异质性。随着许多新方法可用于使用多项研究评估处理效应异质性，重要的是要了解哪些方法最适合用于哪些环境，方法之间的比较如何，以及需要做些什么来继续在该领域取得进展。本文回顾了这些方法，按数据设置进行分类：聚合级数据，联邦学习和个体参与者级数据。我们定义了条件平均处理效应，并讨论了参数和非参数估计值之间的差异，我们列出了关键假设，包括单个研究所需的假设和数据组合所需的假设。在描述了现有的方法，我们比较和对比它们，并揭示未来研究的开放领域。这篇综述表明，有许多可能的方法来估计处理效应异质性，通过数据集的组合，但有大量的工作要做，通过案例研究和模拟比较这些方法，将它们扩展到不同的设置，并完善它们，以解决实际数据中存在的各种挑战。
2023-03-28 stat.ME
Assessing Time-Varying Causal Effect Moderation in the Presence of Cluster-Level Treatment Effect Heterogeneity
微随机试验（MRT）是一种顺序随机试验设计，以经验评估可能在数百或数千个决策点提供的移动健康（mHealth）干预组件的有效性。MRT已经激发了一类新的因果被估量，称为“因果偏移效应”，对于该因果被估量，可以通过加权的中心最小二乘准则进行半参数推断（Boruvka等人，2018年）。现有的方法假设主体之间的独立性和不干涉。与这些假设的偏差经常发生。在本文中，因果漂移效应下重新集群水平的处理效应异质性和干扰，感兴趣的处理效应可能取决于集群水平的主持人。所提出的方法的效用是通过分析来自多机构队列的第一年在美国的医疗居民的数据。
2021-12-10 stat.ME
Assessing the Treatment Effect Heterogeneity with a Latent Variable
平均处理效应（ATE）通常用于评估处理效应。然而，ATE隐含地假设即使在具有不同特征的个体之间也具有同质的处理效应。在本文中，我们主要集中在评估的处理效应异质性，这在设计最佳的个人治疗方案和政策制定具有重要意义。已定义治疗获益率（TBR）和治疗伤害率（THR）来表征二元结局的异质性程度。当结局是连续的时，我们扩展了TBR和THR的定义，以比较具有预定水平c的潜在结局之间的差异。与ATE不同，这些发生率涉及潜在结局的联合分布，即使在随机临床试验中，如果没有进一步的假设，也无法确定。在这篇文章中，我们假设潜在的结果是独立的条件下观察到的协变量和一个不可测量的潜在变量。在此假设下，我们证明了识别的TBR和THR在不可分离的（广义）线性模型的连续和二进制的结果。然后，我们提出估计量，并推导出它们的渐近分布。在模拟研究中，我们实现了我们提出的方法来评估我们的估计的性能，并进行了敏感性分析不同的潜在变量的分布。最后，我们在两个随机对照试验中说明了所提出的方法。
2016-03-08 stat.ME
Treatment Heterogeneity for Survival Outcomes
条件平均处理效应（CATE）的估计在现代医学中发挥着重要作用，它为患者水平的治疗决策提供信息。最近提出了几种元学习器，通过重新利用预测性机器学习模型进行因果估计，以有效且灵活的方式估计CATE。在本章中，我们总结了关于元载体的文献，并提供了具体的指导，为他们的应用治疗异质性估计从随机对照试验的数据与生存结局。我们提供的指导得到了一项全面模拟研究的支持，在该研究中，我们改变了基础基线风险和CATE函数的复杂性、处理效应异质性的程度、删失机制和治疗分配的平衡。为了证明我们的研究结果的适用性，我们重新分析了收缩压干预试验（SPRINT）和控制糖尿病心血管风险行动（ACCORD）研究的数据。虽然最近的文献报道了存在异质性的影响，强化血压治疗与多种处理效应修饰剂，我们的研究结果表明，这些修饰剂中的许多可能是虚假的发现。本章附有survlearners，这是一个R软件包，它提供了本工作中描述的CATE估计策略的有据可查的实现，以便轻松使用我们的建议以及再现我们的数值研究。
2022-09-06 stat.AP
Estimating treatment effect heterogeneity in randomized program evaluation
当使用随机实验评估社会项目和医疗的有效性时，估计的总体平均因果效应本身往往价值有限，研究人员必须调查治疗何时有效和无效。事实上，处理效应异质性的估计在以下方面发挥着至关重要的作用：（1）从大量可用的治疗方法中选择最有效的治疗方法，（2）确定治疗有效或有害的亚群，（3）设计个性化的最佳治疗方案，（4）测试是否存在异质性处理效应，以及（5）将从实验样本获得的因果效应估计推广到目标群体。在本文中，我们制定的估计异质处理效应作为一个变量选择问题。我们提出了一种方法，通过将单独的稀疏性约束的预处理参数和因果异质性参数的兴趣，适应支持向量机分类器。所提出的方法的动机，并应用于两个著名的随机评价研究在社会科学。我们的方法选择了最有效的选民动员策略，从大量的替代战略，它也确定了工人的特点，大大受益于（或受到负面影响）的工作培训计划。在我们的模拟研究中，我们发现，所提出的方法往往优于一些常用的替代品。
2013-05-24 stat.AP
