异质性处理效应的统计学习：预训练、预后与预测
机器学习
2025-06-23 v2 机器学习
统计方法学
摘要
异质性处理效应的稳健估计是从个性化医疗到教育政策等领域进行最优决策的根本挑战。近年来，预测性机器学习已成为因果估计的重要工具箱，能够实现更灵活的效应估计。然而，准确估计条件平均处理效应（CATE）仍然是一个重大挑战，尤其是在存在众多协变量的情况下。在本文中，我们提出了利用现实应用中一种现象的预训练策略：对结果有预后作用的因素通常也能预测处理效应的异质性。例如，在医学中，同一生物信号通路的组成部分常常同时影响基线风险和治疗反应。具体来说，我们在R-learner框架内展示了我们的方法，该框架通过基于残差化损失解决个体预测问题来估计CATE。我们利用这种结构来整合辅助信息，并开发能够利用风险预测和因果效应估计之间协同作用的模型。在存在这些协同作用的环境中，这种跨任务学习能够实现更准确的信号检测，产生更低的估计误差、降低的错误发现率以及更高的异质性检测功效。
引用
@article{arxiv.2505.00310,
title = {Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction},
author = {Maximilian Schuessler and Erik Sverdrup and Robert Tibshirani},
journal= {arXiv preprint arXiv:2505.00310},
year = {2025}
}