检测与消除异质处理效应中的群体偏差
统计方法学
2026-02-25 v1 机器学习
计量经济学
摘要
异质处理效应(HTEs)正在使用产生高度个性化治疗效应预测的机器学习模型进行估计。然而，实际中，预测的治疗效应很少在个体层面上被解释、报告或审计，而是被聚合到更广泛的子群中，如人口统计细分、风险层级或市场。我们展示，这种聚合会导致群体层面因果效应的系统性偏差：即使用于预测个体条件平均处理效应(CATE)的模型是正确指定的并在随机实验数据上训练，聚合预测的CATE到群体层面也通常不能恢复相应的群体平均处理效应(GATE)。我们发展了统一的统计框架来检测和消除随机实验中这种群体偏差。我们首先将群体偏差定义为模型隐含的GATE与实验识别的GATE之间的差异，推导了渐近正态估计量，然后提供一个简单易用的统计检验。对于消除偏差，我们提出基于收缩的偏差纠正方法，并表明理论上最优和实用可行的解决方案都有闭式解。该框架完全通用，假设条件最少，仅需计算样本矩。我们分析了消除检测到的群体偏差对利润最大化的个性化定向的经济影响，从而刻画了偏差纠正如何改变定向决策和利润，以及涉及的权衡。应用于主要数字平台的大规模实验数据验证了我们的理论结果，并展示了实证性能。
引用
@article{arxiv.2602.20383,
title = {Detecting and Mitigating Group Bias in Heterogeneous Treatment Effects},
author = {Joel Persson and Jurriën Bakker and Dennis Bohle and Stefan Feuerriegel and Florian von Wangenheim},
journal= {arXiv preprint arXiv:2602.20383},
year = {2026}
}