Finding Subgroups with Significant Treatment Effects
寻找具有显著处理效应的子群体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：摘要在随机试验中研究异质处理效应、子群体选择及效应显著性检验，因此归入因果推断。
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…
寻找具有显著处理效应的子群体
- 研究问题
- 随机试验总体效应较小或估计不精确时，如何从噪声较大的数据中寻找更可能呈现统计显著正向处理效应的子群体？
- 方法与思路
- 作者以获得显著正向处理效应的概率为子群体选择目标，提出机器学习方法，并用决策树实现，比较单纯按估计效应大小筛选的策略。
- 材料陈述的贡献
- 摘要称其方法将显著性检验直接纳入子群体搜索，相比正向效应筛选及标准回归、分类树，更有能力发现受到处理影响的子群体。
- 阅读关注点
- 应核对子群体搜索与最终检验是否使用独立信息、如何处理选择后推断和多重检验，以及功效比较是否保持相同的误报水平。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明选择后的检验有效性，显著子群体也不足以证明总体干预有效或可推广。
原文摘要
Researchers often run resource-intensive randomized controlled trials (RCTs) to estimate the causal effects of interventions on outcomes of interest. Yet these outcomes are often noisy, and estimated overall effects can be small or imprecise. Nevertheless, we may still be able to produce reliable evidence of the efficacy of an intervention by finding subgroups with significant effects. In this paper, we propose a machine-learning method that is specifically optimized for finding such subgroups in noisy data. Unlike available methods for personalized treatment assignment, our tool is fundamentally designed to take significance testing into account: it produces a subgroup that is chosen to maximize the probability of obtaining a statistically significant positive treatment effect. We provide a computationally efficient implementation using decision trees and demonstrate its gain over selecting subgroups based on positive (estimated) treatment effects. Compared to standard tree-based regression and classification tools, this approach tends to yield higher power in detecting subgroups affected by the treatment.