Significance-First Splitting: Aligning Treatment Heterogeneity Detection with Honest Estimation
显著性优先分裂：协调处理效应异质性检测与诚实估计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：摘要以条件平均处理效应、因果树、处理交互和效应区间为核心，直接属于因果推断中的处理效应异质性研究。
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…
显著性优先分裂：协调处理效应异质性检测与诚实估计
- 研究问题
- 如何让因果树更敏感地发现处理效应交互，同时通过诚实样本分割量化叶节点效应的不确定性，并处理模型复杂度选择？
- 方法与思路
- 作者用处理与分支交互项的平方 t 统计量分裂，结合诚实样本分割和事后交叉验证；森林另用无穷小刀切法估计模拟方差。
- 材料陈述的贡献
- 摘要报告单树在三个模拟设计中达到约九成叶均值区间覆盖率，并在三个 uplift 数据集上获得与所列基准相当的 Qini 表现。
- 阅读关注点
- 应核对分裂准则与诚实误差准则对齐的条件、交叉验证的数据隔离，以及叶节点覆盖率与森林模拟收敛方差之间的区别。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。所报覆盖率来自特定模拟；摘要明确森林方差估计不构成正式逐点推断。
原文摘要
Estimating heterogeneous treatment effects (CATE) requires simultaneously detecting effect modification and quantifying estimation uncertainty. Existing tree-based methods make an uneasy trade-off: significance-based approaches (Radcliffe and Surry 2011) identify subgroup interactions directly but lack valid inference; honest causal trees (Athey and Imbens 2016) deliver nominal confidence interval coverage but use outcome-agnostic splitting criteria that sacrifice interaction sensitivity. We introduce a hybrid algorithm that fuses significance-based splitting with honest sample-splitting and cross-validation. Our splitting criterion uses the squared $t$-statistic for the treatment $\times$ side interaction ($t^2$), which is shown to be directly aligned with the honest $\text{EMSE}_τ$ criterion when the interaction is strong. Post-hoc honest cross-validation selects the cost-complexity penalty, giving a single principled estimator with nominal CI coverage at the leaf level. For forests, we retain bootstrap count vectors to enable an infinitesimal jackknife (IJ) variance estimate of Monte-Carlo convergence rather than formal pointwise inference. On the three synthetic designs from (Athey and Imbens 2016) the single tree achieves approximately 90% leaf-average CI coverage at the 90% nominal level across all three designs (200 replications each); on the Criteo, Hillstrom and Starbucks uplift datasets we match Qini coefficient performance of S-, T-learner and GRF baselines. An open-source Python package with reproducible seeds, sklearn-compatible API, and full test coverage accompanies this work (https://codeberg.org/hadjipantelis/rattus).