基于置信区间的异质性处理效应变量重要性度量
机器学习
2026-05-22 v4
摘要
因果机器学习在从复杂数据中估计个体处理效应方面具有巨大的潜力。为了成功地将机器学习方法应用于实际场景，获取关于哪些变量驱动对治疗反应异质性贡献可靠见解至关重要。我们提出PermuCATE，该算法基于Conditional Permutation Importance (CPI)方法，用于Conditional Average Treatment Effect (CATE)估计中的统计严谨的全局变量重要性评估。理论分析和实证研究表明，PermuCATE的方差低于Leave-One-Covariate-Out (LOCO)参考方法，提供了可靠的变量重要性度量。该特性提高了统计功效，这在医学应用中常见的数据有限情境下至关重要。我们在仿真数据和真实医疗数据集上实证展示了PermuCATE的优势，包括数百个相关变量的情境。
引用
@article{arxiv.2408.13002,
title = {Measuring Variable Importance in Heterogeneous Treatment Effects with Confidence},
author = {Joseph Paillard and Angel Reyero Lobo and Vitaliy Kolodyazhniy and Bertrand Thirion and Denis A. Engemann},
journal= {arXiv preprint arXiv:2408.13002},
year = {2026}
}