一种用于异质处理效应可解释估计的新因果规则学习方法
机器学习
2025-11-24 v3 统计方法学
机器学习
摘要
在统计学习应用于复杂疾病异质处理效应（HTE）估计时，可解释性起着关键作用。在本研究中，我们利用一种基于规则的工作流，即因果规则学习（CRL），来估计并增进我们对房间隔缺损 HTE 的理解，解决了先前文献中一个被忽视的问题：若个体同时属于具有不同平均处理效应的多个组，该如何处理？CRL 过程包含三步：规则发现，生成一组带有相应子组平均处理效应的因果规则；规则选择，识别这些规则的子集，将个体层面处理效应解构为子组层面效应的线性组合；规则分析，给出从多视角进一步分析各选定规则以识别最具验证价值规则的详细流程。大量模拟研究与真实数据分析表明，CRL 在提供可解释的 HTE 估计方面优于其他方法，尤其在面对复杂真实机制与充足样本量时。
引用
@article{arxiv.2310.06746,
title = {A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect},
author = {Ying Wu and Hanzhong Liu and Kai Ren and Shujie Ma and Xiangyu Chang},
journal= {arXiv preprint arXiv:2310.06746},
year = {2025}
}