Inference on Variable Importance for Treatment Effect Heterogeneity: Shapley Values and Beyond
处理效应异质性的变量重要性推断：Shapley 值及其拓展AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕异质性处理效应及其变量重要性开展推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
处理效应异质性的变量重要性推断：Shapley 值及其拓展
- 研究问题
- 当处理效应随个体特征变化时，如何评估变量对各个个体的重要性，并检验某个变量是否至少对一个个体具有重要作用？
- 方法与思路
- 作者基于函数值参数的半参数理论构建推断框架，将个体层面的局部变量重要性与跨个体的全局假设检验联系起来。
- 材料陈述的贡献
- 摘要称，该框架允许使用统计机器学习算法刻画处理效应异质性，并以传染病预防策略展示变量重要性推断的应用。
- 阅读关注点
- 应核对变量重要性的具体定义、Shapley 值的角色、全局检验的零假设，以及处理效应识别与机器学习估计所需条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已获同行评审或接收；摘要未说明识别假设、学习器收敛条件及检验的具体构造。
原文摘要
We provide an inferential framework to assess variable importance for heterogeneous treatment effects. This assessment is especially useful in high-risk domains such as medicine, where decision makers hesitate to rely on black-box treatment recommendation algorithms. The variable importance measures we consider are local in that they may differ across individuals, while the inference is global in that it tests whether a given variable is important for any individual. Our approach builds on recent developments in semiparametric theory for function-valued parameters, and is valid even when statistical machine learning algorithms are employed to quantify treatment effect heterogeneity. We demonstrate the applicability of our method to infectious disease prevention strategies.