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
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
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
Contrast Specific Propensity Scores
基本倾向得分方法旨在比较一种活性治疗与一种对照治疗时平衡多变量治疗前协变量。实际设置通常涉及比较两种以上的治疗，其中比基本治疗-对照（1，-1）更复杂的对比是相关的。在这里，我们建议使用对比特异性倾向得分（CSPS）。CSPS允许创建单位的治疗组，这些治疗组相对于指定对比度的分叉和它们所跨越的多元空间是平衡的。
2020-07-02 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
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
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
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
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
Using Propensity Scores to Develop and Evaluate Treatment Rules with Observational Data
在本文中，我们概述了一个原则性的方法来估计一个个体化的治疗规则，是适当的观察性研究的数据，除了治疗分配不独立的个人特征，一些特征可能会影响治疗分配在当前的研究，但在未来的临床环境中，估计的规则将适用。估计框架是相当灵活的，并适应任何使用观测权重的预测方法，其中观测权重本身是两个灵活估计的倾向得分的比率。我们还讨论了如何获得一个值得信赖的估计规则的人口效益的基础上简单的倾向评分为基础的估计平均处理效应。我们在R包DevTreatRules中实现了我们的方法，并在GitHub上共享了复制我们的结果所需的代码。
2019-06-03 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
Propensity Patchwork Kriging for Scalable Inference on Heterogeneous Treatment Effects
Graduate School of Economics, Keio University（庆应义塾大学经济学研究科）；Faculty of Economics, Keio University（庆应义塾大学经济学部）
本研究提出一种基于倾向评分的拼图克里格法，用于高效估计异质处理效应，通过减少计算成本并保持估计连续性，提升因果推断的可扩展性。
2025-12-29 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
Multiply robust matching estimators of average and quantile treatment effects
倾向得分匹配是处理因果推断中混杂的长期传统，然而需要严格的模型假设。在这篇文章中，我们提出了双评分匹配（DSM）的一般因果被估量利用两个平衡得分，包括倾向得分和预后得分。为了保护可能的模型误指定，我们为每个得分选择多个候选模型。我们表明，去偏DSM估计实现了多重稳健性，因为它是一致的真正的因果估计，如果任何模型的倾向得分或预后分数是正确的。
2020-07-05 stat.ME
Combining randomized and non-randomized data to predict heterogeneous effects of competing treatments
一些患者从治疗中受益，而另一些患者可能受益较少或根本没有受益。我们之前已经开发了一个两阶段网络荟萃回归预测模型，该模型综合了随机试验，并评估了处理效应如何在患者特征之间变化。在本文中，我们扩展了该模型，以结合不同格式的不同类型来源：来自随机和非随机证据的汇总数据（AD）和个体参与者数据（IPD）。在第一阶段，使用大型队列研究开发预后模型以预测结果的基线风险。在第二阶段，我们重新校准了这个预后模型，以改善我们对随机试验中招募的患者的预测。在第三阶段，我们使用基线风险作为效应修正因子，在网络荟萃回归模型中结合AD、IPD RCT来估计异质性处理效应。我们在对三种药物治疗复发缓解型多发性硬化症的研究网络的重新分析中说明了这种方法。一些患者特征影响复发的基线风险，这反过来又改变了药物的效果。该模型对多种治疗方案下的健康结果进行了个性化预测，并涵盖了所有相关的随机和非随机证据。
2023-02-28 stat.ME
Propensity score weighted Cox regression for survival outcomes in observational studies with multiple or factorial treatments
Qiuzhen College, Tsinghua University（清华大学邱耀学院）；Duke University（杜克大学）
本文提出了一种基于倾向评分加权的Cox回归方法，用于估计多重或因子治疗在观察性研究中生存结局的因果危险比，并开发了相应的R包。
2026-01-30 stat.ME
Variable importance measures for heterogeneous treatment effects
Columbia University（哥伦比亚大学）；University College London（伦敦大学学院）；Ghent University（根特大学）
本文提出非参数治疗效应变量重要性度量，用于评估异质治疗效应中变量的重要性，通过均方误差评估变量对CATE预测的影响，并结合机器学习方法进行估计和应用。
2025-11-14 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
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
Estimating marginal treatment effects from observational studies and indirect treatment comparisons: When are standardization-based methods preferable to those based on propensity score weighting?
本研究通过模拟对比倾向评分加权与标准化方法在单观察性研究、锚定间接治疗比较场景下的边际效应估计效果，类比两类场景下的对应方法，提出间接治疗比较的现有推荐可改进，强调需调整纯预后因素。
2023-10-07 stat.ME
A Groupwise Approach for Inferring Heterogeneous Treatment Effects in Causal Inference
本文提出分组方法，比较非参数与半参数方法估计预定义子组异质性处理效应，探讨假设、效率及结合方式，并通过模拟和实证研究指导实践。
2023-09-11 stat.ME
Heterogeneous Treatment and Spillover Effects under Clustered Network Interference
针对聚类网络中的邻域干扰问题，提出基于树算法与 Horvitz-Thompson 估计量的 NCT 方法，用于识别处理与溢出效应的异质性，并经模拟和农村保险实例验证。
2023-11-02 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
Bayesian regression tree models for causal inference: regularization, confounding, and heterogeneous effects
本文提出了一种新的非线性回归模型，用于从观察数据中估计异质性处理效应，特别适用于效应量小、异质性效应和强混杂的情况。标准的非线性回归模型，可以很好地预测，有两个显着的弱点时，用于估计异质性处理效应。首先，当拟合具有强混杂的数据时，它们可能产生严重偏倚的处理效应估计值。本文提出的贝叶斯因果森林模型通过直接将倾向函数的估计值引入响应模型的规范中来避免这个问题，隐式地在回归函数上诱导协变量依赖的先验。其次，响应面建模的标准方法不能充分控制效应异质性的正则化强度。贝叶斯因果森林模型允许将处理效应异质性与控制变量的预后效果分开进行正则化，从而可以在信息上“缩小到同质性”。我们通过重新分析一项评估吸烟对医疗支出的因果影响的观察性研究以及广泛的模拟研究来说明这些好处。
2019-11-13 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
Doubly robust estimators for the average treatment effect under positivity violations: introducing the $e$-score
从观察数据中估计因果参数需要完全的混杂因素调整，以及每个治疗组的倾向得分的阳性，这两个假设之间通常存在权衡：混杂偏倚可能通过调整大量的治疗前协变量来减少，但阳性在分析中不太可能与治疗无关的预测因子，如工具变量。在经验正性违背下，倾向得分权重是高度可变的，双稳健估计具有高方差和大的有限样本偏差。为了解决这个问题，我们引入了$e$分数，它是通过倾向得分的降维定义的。这种降维是基于一个被称为协作双重稳健性的结果，该结果粗略地指出，仅以结果回归估计量的偏差为条件的倾向得分足以获得双重稳健性。我们提出了基于$e$ -score的双稳健估计的构造方法，并讨论了它们的性质，如一致性、有效性和渐近分布。这允许构造渐近有效的Wald型置信区间和假设检验。我们提出了一个说明性的应用估计吸烟对骨矿物质含量的影响，在青春期女孩和合成数据模拟说明我们提出的估计实现的偏差和方差减少和渐近正态性。
2019-02-27 stat.ME
Using Recursive Partitioning to Find and Estimate Heterogenous Treatment Effects In Randomized Clinical Trials
本文提出结合特殊损失函数与选择后推断的递归划分方法，用于从随机临床试验数据中归纳发现并估计局部平均治疗效应，并在低风险缓刑人员最低监督试验中应用。
2018-07-11 stat.ME
Propensity Score Matching and Subclassification in Observational Studies with Multi-level Treatments
在本文中，我们开发了新的方法来估计平均处理效应的观察性研究，重点是设置两个以上的治疗水平下unconfoundedness给定的治疗前变量。我们强调的子分类和匹配的方法已被发现是有效的二进制处理的文献，其中最流行的方法在该设置。而文献表明，这些特定的倾向为基础的方法不自然地扩展到多层次的治疗情况下，我们表明，使用弱unconfoundedness的概念，调整或匹配的标量函数的预处理变量删除与观察到的预处理变量相关的所有偏见。我们应用所提出的方法来分析纤维肌痛的治疗效果。我们还进行了模拟研究，以评估有限样本性能的方法相对于以前提出的方法。
2015-12-14 stat.ME
On the use of meaningful score regions to interpret treatment effects on continuous clinical outcome assessments
Bayer plc（拜耳公司）；Critical Path Institute（关键路径研究所）
本文探讨FDA指南中用于解释连续COA评分治疗效果的有意义评分区域（MSRs）方法，通过历史证据和模拟发现以最大MSR宽度为基准可能漏检有意义疗效，并提出基于MSR成员概率的替代评估方法。
2026-09-22 stat.ME
Joint Estimation of Marginal and Heterogeneous Treatment Effects
Universität Zürich（苏黎世大学）
提出一种扩展的非参数正态调整边际推断框架，通过联合建模结果和基线协变量，在保持边际可解释性的同时估计异质性治疗效应，适用于多种结局类型，并允许在共同尺度上对预后和预测协变量进行估计和排序。
2026-05-22 stat.ME
Using a Surrogate with Heterogeneous Utility to Test for a Treatment Effect
识别有效的替代标记物的主要益处是能够在未来的试验中使用它来测试处理效应，并且随访时间更短或成本更低。然而，以前的工作已经证明了潜在的异质性的替代标记物的效用。当存在这种异质性时，使用替代物来测试处理效应而忽略这种异质性的现有方法可能导致关于处理效应的不准确结论，特别是当新研究中的患者群体具有与用于评价替代标记物的效用的研究不同的特征组合时。在本文中，我们开发了一种新的测试的处理效应使用替代标记信息，占异质性的效用的替代。我们将我们的测试程序与使用主要结果信息（金标准）的测试和使用替代标记信息但忽略异质性的测试进行比较。我们证明了我们的方法的有效性，并推导出我们的估计量和方差估计的渐近性质。模拟研究检查我们的测试过程中的有限样本属性，并证明当我们提出的方法可以优于测试方法，忽略异质性。我们使用来自艾滋病临床试验的数据来说明我们的方法，以CD 4计数作为RNA的替代标记来测试处理效应。
2022-09-17 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
A New Framework for Online Testing of Heterogeneous Treatment Effect
我们提出了一个新的框架，在线测试异质性处理效应。所提出的测试，命名为序贯得分测试（SST），能够控制第一类错误的连续监测和检测多维异质性处理效应。我们为SST提供了一个在线p值计算，使其便于连续监测，并通过控制错误发现率将我们的测试扩展到在线多重检验设置。我们研究的实证性能的测试，并将它们与一个国家的最先进的在线测试，命名为mSPRT使用模拟和真实数据。结果表明，我们提出的测试控制第一类错误在任何时候，有较高的检测能力，并允许快速推断在线A/B测试。
2020-02-09 stat.AP 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
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
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
Efficient Targeted Learning of Heterogeneous Treatment Effects for Multiple Subgroups
在生物医学中，分析处理效应异质性对于辅助个体化医疗具有重要作用。分析治疗效果异质性的主要目的包括估计临床相关亚组中的处理效应，并预测患者亚群是否可能从特定治疗中获益。常规方法通常通过参数建模来评估亚组处理效应，因此容易受到模型错误指定的影响。在这篇手稿中，我们采取无模型半参数的角度，旨在有效地评估异质性处理效应的多个亚组下，同时一步有针对性的极大似然估计（TMLE）的框架。当亚组的数量很大，我们进一步扩展这条研究路径，通过查看一步TMLE的变化，是强大的存在小估计倾向得分在有限的样本。从我们的模拟，我们的方法证明了大量的有限样本的改进相比，传统的方法。在一个案例研究中，我们的方法揭示了rs 12916-T等位基因（他汀类药物使用的代表）在降低阿尔茨海默病风险方面的潜在处理效应异质性。
2022-11-26 stat.AP stat.ME
