利用外部数据对随机试验中异质性处理效应的鲁棒估计
机器学习
2026-03-19 v3 机器学习
统计方法学
摘要
随机试验通常旨在检测平均处理效应，但往往缺乏揭示个体层面处理效应异质性的统计功效，这限制了其在个性化决策中的价值。为解决此问题，我们提出了QR-learner，一种模型无关的学习器，通过利用来自其他试验或观察性研究的外部数据来估计试验人群内的条件平均处理效应(CATE)。所提出的方法具有鲁棒性：相对于仅使用试验数据的CATE学习器，它可以降低均方误差，并且即使外部数据与试验不一致，也能保证恢复真实的CATE。此外，我们引入了一个将QR-learner与仅使用试验数据的CATE学习器相结合的流程，并证明其在均方误差方面渐近地匹配或超过两个组成学习器。我们通过模拟研究检验了我们方法的性能，并将这些方法应用于一个真实世界数据集，展示了在CATE估计和检测异质性效应的统计功效方面的改进。
引用
@article{arxiv.2507.03681,
title = {Robust estimation of heterogeneous treatment effects in randomized trials leveraging external data},
author = {Rickard Karlsson and Piersilvio De Bartolomeis and Issa J. Dahabreh and Jesse H. Krijthe},
journal= {arXiv preprint arXiv:2507.03681},
year = {2026}
}
备注
Accepted to AISTATS 2026. 24 pages, including references and appendix