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 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
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
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
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
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
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
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
A projection-based model checking for heterogeneous treatment effect
在本文中，我们研究的假设检验问题，检查是否部分协变量/混杂因素显着影响异质性的治疗效果给定的所有协变量。这种模型检查在有许多收集的协变量的情况下特别有用，这样我们就可以减轻典型的维数灾难。在测试构造过程中，我们使用基于投影的思想和基于非参数估计的测试过程来构造所有投影方向上的聚合版本。有趣的是，得到的检验统计量没有受到非参数估计通常具有的缓慢收敛速度的影响。这一特性使得该测试表现得像一个全局平滑测试，能够在假设检验中以最快的速度检测到收敛到零值的广泛的局部替代。此外，该测试可以继承的优点，平滑测试是敏感的振荡替代模型。通过数值研究和对一个实际数据的分析，检验了检验的性能。
2020-09-23 math.ST stat.TH
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
Quasi-Oracle Estimation of Heterogeneous Treatment Effects
对异质性处理效应的灵活估计是许多统计挑战的核心，例如个性化医疗和最佳资源分配。在本文中，我们开发了一个一般类的两步算法的异质性处理效应估计的观察性研究。我们首先估计边际效应和治疗倾向，以形成一个目标函数，隔离信号的因果分量。然后，我们优化这个数据自适应的目标函数。我们的方法比现有的方法有几个优点。从实用的角度来看，我们的方法灵活且易于用途：在这两个步骤中，我们可以使用任何损失最小化方法，例如，惩罚回归、深度神经网络或提升;此外，这些方法可以通过交叉验证进行微调。同时，在惩罚核回归的情况下，我们证明了我们的方法具有准预言属性：即使边缘效应和治疗倾向的试点估计不是特别准确，我们也可以实现与具有这两个滋扰组件的先验知识的预言者相同的误差界。我们实现了我们的方法的基础上惩罚回归，内核岭回归，并在各种模拟设置提升的变种，并找到有前途的性能相对于现有的基线。
2020-08-06 econ.EM math.ST stat.ML
Inference on Quantile Treatment Effects with Small Treatment Groups
Amazon Inc.（亚马逊公司）；UC Berkeley, Dept. of Economics（加州大学伯克利分校经济学系）
本研究针对多值处理模型中自然出现的小处理组，开发了允许处理组规模保持有界的条件分位数处理效应推断方法，通过结合条件分位数函数估计与分位数指标的伯努利表示，经蒙特卡洛实验验证了其有限样本性能。
2026-10-23 econ.EM econ.GN math.ST
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
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
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
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
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
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
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
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
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
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
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
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
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
Learning Individual Treatment Effects under Heterogeneous Interference in Networks
Zhejiang University（浙江大学）；University of Waterloo（滑铁卢大学）；Emory University（埃默里大学）；Alibaba Group（阿里巴巴集团）
针对网络化观测数据中的异质性干扰与混杂偏差，提出 DWR 算法联合学习注意力权重和样本权重，并以双层优化估计直接与溢出个体处理效应。
2024-01-25 cs.AI cs.LG cs.SI
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
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
Assessment of Heterogeneous Treatment Effect Estimation Accuracy via Matching
我们研究了异质性处理效应（HTE）估计的准确性评估，其中HTE不可直接观察，因此预测误差的标准计算不适用。为了解决这个问题，我们提出了一种评估方法，通过构建伪观测的HTE匹配的基础上。我们的贡献是三方面的：第一，我们引入了一种新的匹配距离来自随机森林中的邻近分数;第二，我们制定的匹配问题作为一个平均的最小成本流问题，并提供了一个有效的算法;第三，我们提出了一个匹配，然后分裂原则的评估与交叉验证。我们证明了评估方法对合成数据和从真实数据集生成的数据的有效性。
2020-03-09 stat.AP 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
Learning and Testing Sub-groups with Heterogeneous Treatment Effects:A Sequence of Two Studies
人们对估计干预措施的处理效应的大小在关注人群的亚组之间如何变化有着浓厚的兴趣。在我们的论文中，我们提出了一个两个研究的方法，首先提出，然后测试异质处理效应。在研究1中，我们使用大型观察数据集来学习具有最独特的治疗-结果关系的亚组（“高/低影响亚组”）。我们采用了基于模型的递归划分方法，提出了高/低影响的子组，并验证他们使用样本分裂。虽然第一项研究排除了噪声，但我们估计的异质性处理效应存在潜在偏倚。研究2采用了试验设计，在这里，我们根据研究1中学到的子组对样本单元进行分类。然后，我们估计每组内的处理效应，从而检验研究1中提出的因果假设。使用NBER MarketScan数据库中的患者索赔数据，我们应用我们的方法来估计切换到高免赔额医疗保险计划对常见慢性病患者使用门诊治疗的异质性影响。我们将该方法扩展到非参数学习研究1中的子组。我们还比较了这些方法与文献中仅使用研究2数据的其他最先进方法的性能。
2020-06-20 stat.AP 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
Fair and Robust Estimation of Heterogeneous Treatment Effects for Policy Learning
Harvard Medical School（哈佛医学院）；Korea University（高丽大学）；Harvard University（哈佛大学）
提出公平约束下异质性处理效应非参数估计框架，具双重稳健性，刻画公平与福利权衡，经模拟与实例验证。
2023-12-20 cs.LG stat.ME stat.ML
Learning Triggers for Heterogeneous Treatment Effects
Department of Computer Science, University of Illinois at Chicago（伊利诺伊大学芝加哥分校计算机科学系）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Chicago, IL, USA（芝加哥，伊利诺伊州，美国）
治疗的因果效应可能因人而异，取决于他们的个人特征和倾向。挖掘个体水平效果差异的模式，这是一个被称为异质性治疗效果估计的问题，有许多重要的应用，从精准医疗到推荐系统。在本文中，我们定义并研究了这个问题的一个变体，其中需要达到治疗中的个人水平阈值，以触发效果。我们工作的主要贡献之一是，我们不仅可以估计固定治疗的异质性治疗效果，而且还可以规定个性化治疗。我们提出了一种基于树的学习方法来发现治疗效果的异质性。我们在多个数据集上的实验结果表明，我们的方法可以比现有的方法更好地学习触发器。
2019-05-10 cs.LG stat.ML
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
Transfer Learning on Heterogeneous Feature Spaces for Treatment Effects Estimation
University of Oxford（牛津大学）；The Alan Turing Institute（阿兰·图灵研究所）；University of Cambridge（剑桥大学）；University of California, Los Angeles（加州大学洛杉矶分校）
考虑通过利用来自具有不同特征空间的源域的相关信息来改进感兴趣的目标域的条件平均治疗效应（CATE）的估计的问题。CATE估计的这种异质迁移学习问题在医疗保健等领域普遍存在，我们可能希望评估新患者人群的治疗有效性，这些患者人群具有不同的临床协变量和有限的数据。在本文中，我们解决这个问题，通过引入几个构建块，使用表示学习来处理异构的特征空间和一个灵活的多任务体系结构，共享和私有层之间的跨域潜在的结果功能传输信息。然后，我们展示了如何使用这些构建块来恢复标准CATE学习器的迁移学习等价物。在一个新的异构迁移学习的半合成数据模拟基准上，我们不仅展示了我们的异构迁移因果效应学习器在数据集上的性能改进，而且还从迁移的角度提供了对这些学习器之间差异的见解。
2022-10-08 cs.LG 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
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
Calibration Error for Heterogeneous Treatment Effects
近年来，许多研究者提出了数据驱动的异质性处理效应（HTEs）建模方法。尽管如此，估计热膨胀系数仍然是一项困难的任务--这些方法经常高估或低估处理效应，导致所得模型的校准不良。然而，虽然有许多方法用于评估预测和分类模型的校准，但评估HTE模型校准的正式方法仅限于校准斜率。在本文中，我们定义了一个模拟的\smash{($\ell_2$)}预期校准误差的热膨胀系数，并提出了一个强大的估计。我们的方法的动机是双重强大的处理效应估计，使其无偏，并弹性混杂，过拟合和高维问题。此外，我们的方法是直接的，以适应许多结构下，处理效应可以确定，包括随机试验，观察性研究，和生存分析。我们说明了如何使用我们提出的指标来评估通过应用程序的CRITEO-UPLIFT试验学习HTE模型的校准。
2022-03-24 stat.ME stat.ML
Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions
Georgia Institute of Technology（佐治亚理工学院）；Microsoft Research India（微软印度研究院）；Microsoft（微软）；Microsoft Research AI（微软人工智能研究院）
对于许多类型的干预，如新广告，营销干预或功能推荐，重要的是要针对特定的人群子集，以最小的成本或潜在的伤害最大化其利益。然而，一个关键的挑战是，由于尚未部署这种前瞻性干预措施，因此没有关于其效果的数据。在这项工作中，我们提出了一个分裂治疗分析，排名个人最有可能受到积极影响的前瞻性干预使用过去的观察数据。与标准的因果推断方法不同，分割处理方法不需要对目标处理本身进行任何观察。相反，它依赖于由目标治疗引起的代理治疗的观察。在合理的假设下，我们证明了基于替代治疗的异质性因果效应的排序与基于目标治疗效应的排序是相同的。在没有任何用于交叉验证的干预性数据的情况下，分割治疗使用敏感性分析对未观察到的混杂因素进行选择模型参数。我们将分割处理应用于模拟数据和大规模的现实目标任务，并通过后者的随机实验验证我们发现的排名。
2020-11-11 cs.LG stat.ME
Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data
Yale University（耶鲁大学）；Harvard University（哈佛大学）
本文提出一种基于多站点数据的稳健CATE估计方法，通过最小化目标人群的最坏后悔，实现异质处理效应的可推广性。方法利用鲁棒优化处理个体协变量和治疗效应异质性变化，通过加权平均各站点CATE模型，提高模型的稳健性和推广性。
2026-04-30 stat.ME stat.ML
A Practical Guide to Instrumental Variables Methods with Heterogeneous Treatment Effects
Brandeis University（布兰迪斯大学）；University College London（伦敦大学学院）；LMU Munich（慕尼黑大学）
本文提供工具变量方法在异质处理效应框架下的实用指南，讨论了不同规范对协变量加权平均的影响，参数误设的因果解释问题，以及LATE假设检验方法。
2026-07-22 econ.EM stat.ME
