Evaluating and Testing for Actionable Treatment Effect Heterogeneity
可用于决策的治疗效应异质性：评估与检验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：摘要直接评估治疗效应异质性建模的价值，并讨论其推断方法。
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…
关注这篇论文的作者
可用于决策的治疗效应异质性：评估与检验
- 研究问题
- 允许治疗效应随个体变化的模型，是否比禁止这种变化的相似模型获得实质预测增益？作者研究如何量化该增益及其不确定性。
- 方法与思路
- 作者比较包含异质性与限制治疗效应恒定的预测模型，利用嵌套交叉验证进行预测误差推断，构造增益区间并定义 h-value。
- 材料陈述的贡献
- 摘要称，该通用程序可评估不同异质性建模方法的预测收益，并用 h-value 表达对存在实质预测增益的信心水平。
- 阅读关注点
- 应核对受限与非受限模型是否可比、预测损失和实质增益如何定义，以及嵌套交叉验证区间与 h-value 的统计解释。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明效应识别条件或预测增益与决策福利的联系，不能据此确认政策收益。
原文摘要
Developing tools for estimating heterogeneous treatment effects (HTE) and individualized treatment effects has been an area of active research in recent years. While these tools have proven to be useful in many contexts, a concern when deploying such methods is the degree to which incorporating HTE into a prediction model provides an advantage over predictive methods which do not allow for variation in treatment effect across individuals. To address this concern, we propose a procedure which evaluates the extent to which an HTE model provides a predictive advantage. Specifically, our procedure targets the gain in predictive performance from using a flexible predictive model incorporating HTE versus an alternative model which is similar to the HTE-utilizing model except that it is constrained to not allow variation in treatment effect. By drawing upon recent work in using nested cross-validation techniques for prediction error inference, we generate confidence intervals for this measure of gain in predictive performance which allows one to directly calculate the level at which one is confident of a substantial HTE-modeling gain in prediction -- a quantity which we refer to as the h-value. Our procedure is generic and can be directly used to assess the benefit of modeling HTE for any method that incorporates treatment effect variation.