Robust and Agnostic Learning of Conditional Distributional Treatment Effects
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技）
本文提出一种鲁棒且模型无关的条件分布处理效应学习方法，通过构造伪结果并利用任意回归学习器，在慢速估计讨厌参数下仍能有效学习并推断 CDTE。
2025-06-04 cs.LG econ.EM stat.ME
Effects conditional on post-treatment events generated by independent mechanisms
Institute of Mathematics, École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院数学研究所）
研究治疗后事件如失访等常出现，基于此类事件的结果比较缺因果解释。提出若治疗等通过“独立机制”产生事件，可不调整共同原因就能识别相关因果效应，通过相关研究说明了该结果。
2026-07-28 stat.ME
Proximal Causal Learning of Conditional Average Treatment Effects
Stanford University（斯坦福大学）；Zhejiang University（浙江大学）
针对可交换性假设不成立时，提出基于代理变量的P学习器，通过两阶段损失函数估计条件平均处理效应，并可用现成机器学习方法实现，核回归下满足预言机误差界。
2023-05-09 cs.LG stat.ME stat.ML
Estimating Conditional Average Treatment Effects with Heteroscedasticity by Model Averaging and Matching
本研究提出模型平均结合划分匹配的方法，用于估计异方差下的条件平均处理效应，证明其渐近最优性与一致性，数值实验验证了良好的有限样本性能。
2024-12-16 stat.AP stat.ME
Robust inference of conditional average treatment effects using dimension reduction
从观察数据中对条件平均处理效应进行稳健推断很重要，但当混杂因素为多变量或高维时，这变得具有挑战性。本文提出了一种双重降降维方法，在保持非参数优点的同时，尽可能地降低维数灾难。我们使用降维来确定条件平均处理效应的中心平均子空间。一个非参数回归与先前的降维也被用来插补反事实的结果。这一步有助于提高插补的稳定性，并导致比现有方法更好的估计。然后，我们提出了一个有效的自举过程，而无需自举估计的中心均值子空间进行有效的推断。
2020-08-30 stat.ME
Educational Effects in Mathematics: Conditional Average Treatment Effect depending on the Number of Treatments
Kogakuin University（工学院大学）；Waseda University（早稻田大学）；Osaka Institute of Technology（大阪工业大学）；Osaka Sangyo University（大阪产业大学）；International University of Health and Welfare（国际医疗福祉大学）
本研究应用因果推断和扩展的T-learner方法，评估工学院大学学术支持中心面对面辅导的条件平均处理效应，并提出了依赖于处理次数的CATE函数以预测其效果。
2024-11-03 cs.LG econ.EM stat.ME
Estimation and Validation of Ratio-based Conditional Average Treatment Effects Using Observational Data
Stanford University（斯坦福大学）；Biogen International GmbH（渤健国际有限公司）；PwC Data & Analytics（普华永道数据与分析部）；NeuroTransData（神经转归数据公司）
虽然随机临床试验中的样本量足够大，可以很好地估计平均处理效应，但它们通常不足以估计对研究数据驱动的精准医学至关重要的治疗-协变量相互作用。来自现实世界实践的观测数据可能在缓解这一问题方面发挥重要作用。试验中的一种常见方法是在每个治疗组中使用单独的回归模型预测关注的结果，并基于预测的对比估计处理效应。不幸的是，当回归模型被错误指定时，这种简单的方法可能会在观察性研究中诱导虚假的治疗-协变量相互作用。出于对多发性硬化患者复发次数建模的需要，复发率的比率是治疗效果的自然选择，我们建议将条件平均处理效应（CATE）估计为预期潜在结果的比率，并在治疗协变量相互作用的半参数模型中推导出该CATE的双重稳健估计。我们还提供了一个验证过程，以检查独立样本的估计量的质量。我们进行模拟，以证明有限样本的性能，所提出的方法，并通过检查富马酸二甲酯的处理效应相比特立氟胺在多发性硬化症患者的实际数据，说明其优势。
2020-04-21 cs.LG stat.ME stat.ML
Doubly Robust Direct Learning for Estimating Conditional Average Treatment Effect
非均匀处理效应的推断是科学和商业应用中的基本问题。在本文中，我们专注于估计条件平均处理效应（CATE），即在给定协变量的条件平均结果之间的差异。传统上，基于Q学习的方法依赖于给定治疗和协变量的条件平均结果的估计。然而，它们受到主效应模型的错误指定的影响。最近，已经提出了简单而灵活的一步方法来直接学习（D-Learning）CATE而无需模型规范。然而，这些方法对倾向得分模型的错误设定不稳健。我们提出了一个新的框架CATE估计，强大的直接学习（RD学习），导致双重强大的估计的处理效应。如果正确指定了主效应模型或倾向得分模型，则可以保证我们的CATE估计量的一致性。该框架可用于二进制和多臂设置，并且足够通用，以允许不同的函数空间并包含不同的通用学习算法。作为一个副产品，我们开发了一个有竞争力的统计推断工具的处理效应，假设倾向得分是已知的。我们提供的理论见解，所提出的方法使用风险界限下的线性和非线性设置。我们所提出的方法的有效性证明了仿真研究和艾滋病临床试验研究的真实数据的例子。
2021-03-21 stat.ME
Doubly Robust Uniform Confidence Bands for Group-Time Conditional Average Treatment Effects in Difference-in-Differences
本文在交错双重差分设定下，提出基于局部多项式回归的三步估计与双重稳健推断方法，为连续协变量下的组-时期条件平均处理效应函数构建统一置信带，并提供了R包didhetero便于实现。
2025-07-15 econ.EM stat.ME
Conditional Distributional Treatment Effects: Doubly Robust Estimation and Testing
Department of Statistics, University of Washington, Seattle, USA（华盛顿大学统计系，美国西雅图）；Departments of Health Care Policy and Statistics, Harvard University, USA（哈佛大学健康政策与统计系，美国）
本文提出捕捉条件分布治疗效应的新估计量，开发了局部渐近最优的双重鲁棒估计器，并设计了检验条件潜在结果分布全局同质性的测试方法，具有严格的一阶误差控制和一致性。
2026-09-23 cs.LG math.ST stat.ME
Consistent Labeling Across Group Assignments: Variance Reduction in Conditional Average Treatment Effect Estimation
National Taiwan University（台湾大学）
本文针对CATE估计中同一实例在不同组分配下学习行为不一致的问题，提出通用方法CLAGA，通过消除不一致性显著提升现有算法的估计性能。
2025-07-06 cs.LG stat.ME stat.ML
Evaluating Dynamic Conditional Quantile Treatment Effects with Applications in Ridesharing
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）；Shanghai University of Finance and Economics（上海财经大学）；London School of Economics and Political Science（伦敦政治经济学院）
本文针对网约车平台时空序列决策数据，提出了动态条件分位数处理效应（CQTE）的评估框架，证明其等于各时间段个体CQTE之和，并引入变系数决策过程模型及创新检验方法，有效简化了因果估计与推断。
2023-05-17 cs.LG stat.ME stat.ML
Conflating marginal and conditional treatment effects: Comments on 'Assessing the performance of population adjustment methods for anchored indirect comparisons: A simulation study'
在这篇评论中，我们强调了以下几点的重要性：（1）仔细考虑并澄清边际或条件性处理效应是否在人群调整的间接治疗比较中值得关注;以及（2）开发不同的方法来估计不同的效应指标。每种方法的适当性取决于推理的首选目标。
2020-12-02 stat.AP stat.ME
Preference-based Conditional Treatment Effects and Policy Learning
Technion – Israel Institute of Technology（技术学院——以色列理工学院）；Inria（法国国家信息与自动化技术研究所）；Inserm（法国国家医学研究院）；Université de Montpellier（蒙彼利埃大学）；Department of Statistics and Operations Research, Tel Aviv University（特拉维夫大学统计与运筹学系）
本文提出了一种基于偏好的条件治疗效应估计与政策学习框架，通过排序结果实现对异质效应的灵活建模，并提供了新的可识别条件和高效的估计方法。
2026-02-03 cs.LG stat.ML
A Bayesian Additive Regression Tree Model for Learning Conditional Average Treatment Effects in Regression Discontinuity Designs
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Arizona State University（亚利桑那州立大学）；Insper（因斯珀学院）
本文提出一种高效的贝叶斯方法，用于回归断点设计中条件平均处理效应的估计，通过适应性划分协变量空间实现可解释的贝叶斯推断。
2026-10-20 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
Estimating Conditional Average Treatment Effects with Missing Treatment Information
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）
本文针对治疗信息缺失下的条件平均治疗效应估计问题，识别出两类协变量偏移，提出基于领域自适应学习平衡表示的MTRNet算法，并在半合成与真实数据上显著超越现有方法。
2023-04-16 cs.LG stat.ML
Doubly Robust Uniform Confidence Band for the Conditional Average Treatment Effect Function
在本文中，我们提出了一个双重的强大的方法来呈现异质性的平均处理效应相对于观察到的协变量的利益。我们考虑的情况是，需要大量的协变量来识别平均处理效应，但用于分析异质性的协变量的维数要低得多。我们提出的估计是双重鲁棒性和避免灾难的维度。我们提出了一个统一的置信带，很容易计算，我们说明了它的有用性，通过蒙特卡罗实验和应用程序吸烟对出生体重的影响。
2016-10-28 econ.EM stat.ME
Marginal and Conditional Importance Measures from Machine Learning Models and Their Relationship with Conditional Average Treatment Effect
The Hospital for Sick Children（SickKids医院（多伦多病童医院））；Dalla Lana School of Public Health（达拉·拉纳公共卫生学院）
本文提出模型无关的边际变量重要性度量（MVIM）及条件变量重要性度量（CVIM），解决了高相关预测变量下估计偏差问题，并揭示了二者与条件平均处理效应（CATE）的二次关系。
2025-01-29 cs.LG stat.ML
Bounds on the conditional and average treatment effect with unobserved confounding factors
对于观察性研究，我们研究了当治疗分配可能取决于未观察到的混杂因素时，因果推断的敏感性。当未观察到的混杂因素对治疗选择的优势比有界影响时，我们开发了一种估计条件平均处理效应（CATE）界限的损失最小化方法。我们的方法是可扩展的，并允许灵活使用模型类估计，包括非参数和黑盒机器学习方法。基于CATE的这些界限，我们提出了对平均处理效应（ATE）的敏感性分析。我们的半参数估计扩展/界的增广逆倾向加权（AIPW）估计有界未观察到的混杂下的ATE。通过构造一个Neyman正交分数，只要干扰参数以$o_p(n^{-1/4})$速率估计，我们的ATE界估计量就是一个正则根$n$估计量.我们补充我们的方法与最优性结果表明，我们提出的界限是紧在某些情况下。我们证明了我们的方法模拟和真实数据的例子，并显示我们的置信区间在实际的有限样本制度与丰富的协变量信息的准确覆盖。
2022-03-09 stat.ME
Estimation of Partially Conditional Average Treatment Effect by Hybrid Kernel-covariate Balancing
我们研究了部分条件平均处理效应的非参数估计，定义为混杂因素的感兴趣子集上的处理效应函数。我们提出了一个混合核加权估计的权重的目的是控制平衡误差的任何功能的混淆从再生核希尔伯特空间后，核平滑感兴趣的变量的子集。此外，我们提出了一个增强版本，我们的估计，可以将结果的均值函数的估计。基于表示定理，可以应用基于梯度的算法来求解相应的无限维优化问题。在不对倾向得分函数作任何光滑性假设或不需要数据分裂的情况下，放松了某些现有的严格假设，研究了其渐近性质。所提出的估计的数值性能的模拟研究和应用程序的母亲的吸烟对婴儿的出生体重的母亲的年龄的条件的影响。
2021-03-05 stat.ME
Multiple conditional randomization tests for lagged and spillover treatment effects
本文提出使用单一数据集构建多个独立条件随机化检验的序贯方法，可单独解释p值或用标准多重检验组合，并应用于证据因子、滞后效应和溢出效应分析。
2024-10-11 math.ST stat.ME stat.TH
Debiased Machine Learning of Conditional Average Treatment Effects and Other Causal Functions
基于现代机器学习（ML）工具，本文提供了结构函数的最佳线性预测（近似）的估计和推理方法，如条件平均结构和处理效应以及结构导数。我们将此结构函数表示为依赖于滋扰参数的无偏信号的条件期望，我们通过现代机器学习技术估计该滋扰参数。我们首先调整信号，使其对第一阶段正则化偏置不敏感（奈曼正交）。然后，我们将信号投影到一组基函数上，随着样本量的增加而增加，这给了我们结构函数的最佳线性预测器。我们推导出一套完整的结果估计和同时推断的所有参数的最佳线性预测，进行推断高斯引导。当结构函数光滑且基充分丰富时，我们的估计和推理结果自动针对该函数。当基函数是组指标时，最佳线性预测因子减少到组平均治疗/结构效应，并且我们的推断自动针对这些参数。我们证明了我们的方法，估计统一的置信区间的平均价格弹性的汽油需求的收入为条件。
2020-08-14 stat.ME stat.ML
A Synthetic Control Approach to Conditional Distributional Treatment Effects
University of Cologne（科隆大学）
提出基于分布回归模型的合成控制框架估计条件分布处理效应，通过最小二乘权重估计反事实分布，并推导渐近分布与检验统计量。
2026-06-08 econ.EM stat.ME
Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals
University of Waterloo（滑铁卢大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；Brown University School of Public Health（布朗大学公共卫生学院）；Center for Gerontology & Healthcare Research, Brown University School of Public Health（布朗大学公共卫生学院老年学与医疗保健研究中心）
本文提出在嵌套试验中估计目标人群中条件平均治疗效应的方法，结合半参数理论和灵活估计，通过数据自适应方法减少过拟合偏倚，提升推断有效性。
2026-05-14 stat.AP stat.ME
Median Optimal Treatment Regimes
Carnegie Mellon University（卡内基梅隆大学）
最佳治疗方案是基于受试者特征做出治疗决策的个性化策略，其中选择的策略使某些值最大化。通常的目标是最大限度地提高人群的平均结局，通过一种方案，仅将治疗分配给治疗组与对照组相比平均结局更高的患者。然而，平均值可能是一个不稳定的中心性指标，导致不精确的统计程序，以及不稳健的决策，可能会受到一小部分受试者的过度影响。在这项工作中，我们提出了一个新的中位数最佳治疗方案，而不是治疗条件中位数较高的个人治疗。这确保了来自同一组的个体的最佳决策不会受到（i）该组的一小部分（与平均值标准不同）或（ii）来自不同组的无关受试者（与边际中位数/分位数标准不同）的过度影响。我们引入了一个新的价值衡量标准，平均条件中位数效应（ACME），它总结了一个政策的跨组中位数治疗结果，以及中位数最佳治疗方案最大化。开发关键激励的例子，区分中位数最优治疗方案的平均值和边际中位数最优治疗方案后，我们给出了一个非参数的效率界估计的ACME的政策，并提出了一个新的双重鲁棒风格的估计，实现弱条件下的效率界。为了构造中位最优治疗方案，我们引入了一个新的双稳健型估计的条件中位数处理效应。通过数值模拟和所提出的算法说明了随机临床试验中的数据与艾滋病毒感染者的样本属性进行了探讨。
2022-02-24 cs.LG stat.ME
Direct Bayesian Additive Regression Trees for Conditional Average Treatment Effects in Regression Discontinuity Designs
Faculty of Economics, Keio University（庆应义塾大学经济学部）
本文提出基于BART的贝叶斯方法，用于在回归断点设计中灵活建模异质处理效应，并通过数值实验验证其有效性。
2026-03-04 stat.ME stat.ML
Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts
Ludwig-Maximilians-University of Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Cornell University（康奈尔大学）；University of Southern California（南加州大学）
提出Multi-CATE方法，通过多准确预测器后处理CATE T-learners和DR-learner，结合观察与随机数据集，提升对未知协变量偏移的鲁棒性，降低偏差和均方误差，实现因果推断的外部有效性。
2024-10-17 cs.LG stat.ME stat.ML
DeepBlip: Estimating Conditional Average Treatment Effects Over Time
Munich Center for Machine Learning（慕尼黑机器学习中心）；LMU Munich（慕尼黑大学）
针对结构嵌套均值模型缺乏适配神经网络框架、无法端到端梯度训练的问题，提出首个神经框架DeepBlip，通过双重优化技巧实现blip函数同步学习，在临床数据集上取得SOTA性能。
2025-11-18 cs.LG stat.ME stat.ML
A Guide to Estimating Conditional Average Treatment Effects in Competing Risks Settings
Department of Statistics, TU Dortmund University（图恩-多特蒙德大学统计学系）；Research Center Trustworthy Data Science and Security, University Alliance Ruhr (UA Ruhr)（鲁尔大学联盟可信数据科学与安全研究中心）；Institute for Mathematics, University of Augsburg（艾希施泰特大学数学研究所）
针对竞争风险生存数据，比较六种元学习器估计条件平均处理效应，提供R包crsurvlearners指导模型选择。
2026-06-18 cs.LG stat.AP stat.ML
Wasserstein Random Forests and Applications in Heterogeneous Treatment Effects
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université de Paris（巴黎大学）；INSERM（法国国家健康与医学研究院）；INRA（法国国家农业研究院）
我们提出了新的见解，因果推断的背景下，异质处理效应，提出自然变异的随机森林估计的关键条件分布。为了实现这一点，我们重铸Breiman的原始分裂标准的经验措施之间的瓦瑟斯坦距离。这种重新表述表明，随机森林很好地适应于估计条件分布，并提供了一个自然的算法扩展到多变量输出。按照Breiman的建设的哲学，我们提出了一些变种的分裂规则，非常适合于条件分布估计问题。一些初步的理论联系建立了各种数值实验，这表明我们的方法可能有助于在复杂的情况下进行更透明的因果推断。
2021-02-15 cs.LG stat.ME stat.ML
Conditional separable effects
研究人员通常对仅以治疗后事件状态为条件定义的结局的处理效应感兴趣。例如，在一项关于不同癌症治疗对随访结束时生活质量影响的研究中，研究期间死亡的个体的生活质量是不确定的。在这些情况下，即使在随机实验中，以治疗后变量为条件的结果的朴素对比也不是平均因果效应。因此，对于因果推断，通常主张在主要分层中的效应，即无论治疗如何，治疗后变量值均相同的人群，例如在死亡截断设置中始终存活的人群。虽然这一主要阶层效应是一个定义明确的因果对比，但往往很难证明它与科学家、患者或决策者有关，而且如果不依赖不可证伪的假设，就无法确定它。在这里，我们制定替代被估量，条件可分离的影响，有一个自然的因果解释的假设下，可以在随机实验中被证伪。我们提供了识别结果，并介绍了不同的估计，包括一个双鲁棒估计来自非参数影响函数。作为一个例子，我们估计化疗对前列腺癌患者生活质量的条件可分离效应，使用随机临床试验的数据。
2021-06-07 math.ST stat.ME stat.TH
Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery
Georgia Institute of Technology（佐治亚理工学院）
提出基于因果森林学习核的聚类框架，通过估计去偏CATEs并应用核化聚类，有效发现对处理敏感的亚群并捕捉异质性处理效应。
2025-09-17 cs.LG stat.ML
On the limitations of causal inference with current-treatment Cox models
University of Copenhagen（哥本哈根大学）；Karolinska Institute（卡罗林斯卡学院）
该研究指出当前治疗Cox模型依赖不可验证的马尔可夫性质，证明其因果解释需无治疗-脆弱性交互，转换生存尺度也无法弥补。
2026-09-17 stat.ME
Conditional average treatment effect estimation with marginally constrained models
本文针对条件平均处理效应（CATE）估计，提出一种边际约束模型，以更好地利用随机对照试验中的边际优势比，并在标准因果推断假设下提供一致估计，实证表明该方法在CATE变化充分时近似效果更佳。
2023-07-23 stat.ME
CATE Lasso: Conditional Average Treatment Effect Estimation with High-Dimensional Linear Regression
The University of Tokyo（东京大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能研究中心）
本文针对高维非稀疏参数下条件平均处理效应（CATE）的一致估计问题，提出基于隐式稀疏性假设的 CATE Lasso 方法，并证明其一致性且通过模拟验证有效性。
2023-10-25 cs.LG econ.EM stat.AP
Nonparametric inference for sublevel-set probabilities of conditional average treatment effect functions
Section of Biostatistics, University of Copenhagen（哥本哈根大学生物统计学系）
本文研究了条件平均治疗效应函数的子集概率，提出了一种非参数估计方法，利用单调函数估计和机器学习技术，开发了Grenander型估计器以可视化异质性。
2026-05-14 stat.ME
Introducing the CP-plot for Causal Inference with Observational Studies
Qiuzhen College, Tsinghua University（清华大学丘成桐学堂）；Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）；Department of Statistics, University of California, Berkeley（加州大学伯克利分校统计学系）
在因果推断的观测研究规范设定下，证明了在倾向得分与条件平均处理效应满足单调关系时，重叠权重的平均处理效应介于处理组和对照组的平均处理效应之间，并推广到加权局部平均处理效应及其他权重，建议使用CP图。
2026-08-25 stat.ME
A Minimax Surrogate Loss Approach to Conditional Difference Estimation
MIT（麻省理工学院）；Duke University（杜克大学）
我们提出了一种新的机器学习方法来估计个性化的处理效应在经典的潜在结果框架与二元结果。为了克服这个问题，治疗和控制结果为同一个单位都需要监督学习，我们提出了替代损失函数，将治疗和控制数据。新的替代品产生更严格的界限比治疗组和对照组的损失之和。一个特定的选择损失函数，即一种类型的铰链损失，产生一个极大极小支持向量机制定。由此产生的优化问题只需要一个凸优化问题的解决方案，将治疗和控制单元，它使核技巧被用来处理非线性（也是非参数）估计。统计学习界限也提出了框架和实验结果。
2018-05-04 cs.LG stat.ML
Flexible machine learning estimation of conditional average treatment effects: a blessing and a curse
本研究针对观测数据因果推断中特征不足导致个体处理效应（ITE）与条件平均处理效应（CATE）偏差的问题，扩展因果随机森林（CRF）估计组间条件方差差异，在特定因果假设下可有效估计ITE分布方差，弥补了标准CRF的不足。
2023-07-20 econ.EM math.ST stat.ME
Estimations of the Local Conditional Tail Average Treatment Effect
本文针对双侧不依从下依从者的局部条件尾部平均处理效应，提出结合条件尾部期望与分位数一致损失的半参数估计方法，建立渐近理论并用于美国职业培训项目评估。
2024-05-20 econ.EM stat.AP
Three-way Cross-Fitting and Pseudo-Outcome Regression for Estimation of Conditional Effects and other Linear Functionals
本研究将平均处理效应估计的最新进展适配到条件平均处理效应估计中，结合三重交叉拟合与伪结果回归生成个性化效应估计，证明在结果条件期望满足平滑性条件时可实现较快收敛，为个体处理决策提供支撑。
2023-06-12 math.ST stat.ME stat.TH
Direct Learning of Treatment-Benefit Rankings for Restricted Mean Survival Time in Randomized Trials with Censoring
Takeda Pharmaceutical Company, Ltd.（武田药品工业株式会社）
针对随机试验中的删失数据，提出直接学习条件RMST治疗获益排名的方法，通过正交伪结局和成对排名损失优化排序，提升治疗获益识别。
2026-10-06 stat.ME
Conditional Average Treatment Effect Estimation Under Hidden Confounders
Department of Electrical and Computer Engineering, Duke University（杜克大学电气与计算机工程系）；Machine Learning Research, Morgan Stanley（摩根士丹利机器学习研究）
针对隐藏混杂因素导致CATE估计偏差的问题，提出结合小样本无协变量RCT数据、基于伪混杂因素生成器与结果对齐的CATE估计方法，在多场景下验证有效。
2025-06-14 cs.LG stat.ML
Orthogonal machine learning for conditional odds and risk ratios
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出基于正交风险函数的非参数估计方法，用于估计条件比值和风险比，通过蒙特卡洛模拟比较不同估计器的性能，展示其在真实世界复杂场景中的优势。
2026-04-12 cs.LG stat.ME stat.ML
A triangular treatment effect model with random coefficients in the selection equation
本文在选择方程中考虑了具有复杂非均匀性的内循环条件下的处理效果。我们将内源性治疗的结果建模为三角系统，其中结果和第一阶段方程均由随机系数模型组成。第一阶段特别允许非单调选择进入治疗。我们提供的条件下，潜在的结果，平均值和分位数的治疗效果，所有条件的第一阶段的随机系数的边缘分布，被确定。在相同的条件下，我们得到的（条件）联合分布的潜在结果和治疗收益的界限，并提供额外的条件，他们的点识别。所有条件量通过加权积分产生无条件效应（\emph{e.g.}，平均治疗效应）。
2015-08-25 math.ST stat.TH
Denoised Conformal Alignment for Reliable Selection of Conditional Average Treatment Effect Predictions
Shanghai Jiao Tong University（上海交通大学）；Shanghai University of Finance and Economics（上海财经大学）；National University of Defense Technology（国防科学技术大学）；School of Statistics and Data Science（统计与数据科学学院）；Institute of Big Data Research（大数据研究院）
针对选择性部署下边际保形保证无法控制选中子集可靠性的问题，提出去噪保形对齐方法，通过伪结果构建代理误差、减除条件方差分量，在控制FDR的同时大幅提升统计功效。
2026-07-07 cs.LG stat.ML
A nonparametric super-efficient estimator of the average treatment effect
因果效应的双稳健估计是估计因果效应的常用方法。这样的估计量将给定治疗和混杂因素的结果的条件平均值的估计（所谓的结果回归）与给定混杂因素的治疗的条件概率的估计（倾向得分）相结合，以产生感兴趣的效应的估计。除了享受双重鲁棒性，这些估计有额外的好处。首先，灵活的回归工具，如在机器学习领域开发的回归工具，可用于估计相关的回归，而处理效应的估计值保留所需的统计特性。此外，这些估计往往是统计有效的，实现了正常的，渐近线性估计的方差的下限。然而，尽管他们的渐近最优性，在因果被估量是弱可识别的问题，这些估计可能会表现不稳定。我们提出了两个新的估计技术，用于在这些具有挑战性的设置。我们的估计建立在两个现有的框架，有效的估计：有针对性的最小损失估计和一步估计。然而，在构建估计量时，我们没有使用倾向得分的估计值，而是选择了另一种回归量：给定条件平均结果的治疗条件概率。我们讨论的理论意义，并证明了估计的性能在模拟和真实数据。
2019-01-15 stat.ME
Finite-Sample Optimal Estimation and Inference on Average Treatment Effects Under Unconfoundedness
我们考虑在不混淆条件下对平均处理效应的估计和推断，条件是处理变量和协变量的实现。给定非参数平滑和/或形状限制的条件均值的结果变量，我们得到的估计和置信区间（CI）是最佳的在有限样本时，回归误差是正常的已知方差。与传统的CI相比，我们的CI使用更大的临界值，明确考虑了估计量的潜在偏差。当误差分布未知时，我们的CI的可行版本渐近有效，即使由于缺乏重叠或条件均值的平滑度低而无法进行$\sqrt{n}$ -推断。我们还得到了最小光滑条件的条件平均是必要的$\sqrt{n}$推断。当条件均值被限制为Lipschitz且Lipschitz常数有足够大的界时，最优估计量简化为匹配估计量，匹配次数设置为1。我们说明了我们的方法在应用程序中的国家支持的工作示范。
2021-01-18 econ.EM stat.AP stat.ME
Doubly robust estimation for conditional treatment effect: a study on asymptotics
在本文中，我们应用双重稳健的方法来估计，当一些协变量，在参数，半参数和非参数结构的滋扰倾向得分和结果回归模型的条件平均治疗效果。然后，我们进行了系统的研究的渐近分布的9个估计与不同的组合估计的倾向得分和结果回归。该研究涵盖了正确指定所有模型的渐近性质;局部/全局错误指定倾向评分或结果回归;以及局部/全局错误指定所有模型。比较了渐近方差，讨论了模型误设定下的渐近偏差修正。的现象，渐近方差，与模型误指定，有时甚至可以小于，与所有的模型正确指定的探讨。我们还进行了数值研究，以检验理论结果。
2020-09-12 math.ST stat.TH
Inference in experiments conditional on observed imbalances in covariates
双盲随机对照试验传统上被视为因果推断的金标准，因为均值差估计量是实验中平均处理效应的无偏估计量。然而，该估计量在所有可能的随机化中无偏的事实并不意味着任何给定的估计值接近真实的处理效应。类似地，虽然预先确定的协变量在治疗组和对照组之间平均平衡，但在给定实验中可能观察到较大的不平衡，因此研究人员可能希望使用线性回归对此类协变量进行调节。本文研究了协变量观测差的均值差和OLS估计量\emph{conditional}的理论性质。通过推导条件估计量的统计性质，我们可以为如何处理协变量不平衡建立指导。我们研究了与OLS的推断，以及与新版本的Fisher精确检验，其中的随机化分布来自一个小的子集的所有可能的分配向量。
2021-08-24 stat.ME
Learning Who to Treat When Treatment is Missing
Carnegie Mellon University（卡内基梅隆大学）
研究在治疗数据缺失时的策略学习问题，通过扩展有效估计器到MAR和MCCAR数据下的策略值及CATE估计，经渐近效率分析和实验验证，证明MAR估计器更优，为从业者提供稳健策略学习工具。
2026-07-17 cs.LG stat.ME
Bridging the Gap between Empirical Welfare Maximization and Conditional Average Treatment Effect Estimation in Policy Learning
本文证明政策学习中经验福利最大化与基于条件平均处理效应估计的插件方法在重新参数化下与最小二乘法精确等价，并据此提出一种更易优化的正则化政策学习方法。
2025-11-05 cs.LG econ.EM math.ST
Data Integration for Estimating Subgroup-Specific Conditional Average Treatment Effects (CATEs) Using Coarsened External Information in Randomized Trials
University of Michigan（密歇根大学）；Yale University（耶鲁大学）
本文提出一种新型James-Stein估计器，通过利用粗化外部估计提高内部研究中细分子组CATEs的估计，同时处理不同人群边际CATEs的不兼容性。
2026-04-22 stat.ME
