An Algorithm for Identifying Interpretable Subgroups With Elevated Treatment Effects
识别处理效应较高且可解释的子群体的算法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：摘要明确以个体或条件平均处理效应为输入，研究异质性效应子群体及其推断。
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…
关注这篇论文的作者
识别处理效应较高且可解释的子群体的算法
- 研究问题
- 给定个体或条件平均处理效应估计后，如何提取易理解的高效应子群体，并在群体规模和效应大小之间作透明权衡？
- 方法与思路
- 作者以逻辑规则集描述子群体，通过权衡规模和效应的目标函数寻找规则；调节超参数形成帕累托前沿，并用样本拆分开展推断。
- 材料陈述的贡献
- 摘要称，规则集可表达高阶交互并保留可解释性，为已拟合的处理效应模型提供摘要；模拟和实证例子展示其用途与局限。
- 阅读关注点
- 应核对规则搜索空间、前沿最优性的范围、效应估计误差的传播，以及样本拆分如何处理子群体选择后的推断问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明上游处理效应的识别条件，规则可解释性不能保证效应估计无偏。
原文摘要
We introduce an algorithm for identifying interpretable subgroups with elevated treatment effects, given an estimate of individual or conditional average treatment effects (CATE). Subgroups are characterized by ``rule sets'' -- easy-to-understand statements of the form (Condition A AND Condition B) OR (Condition C) -- which can capture high-order interactions while retaining interpretability. Our method complements existing approaches for estimating the CATE, which often produce high dimensional and uninterpretable results, by summarizing and extracting critical information from fitted models to aid decision making, policy implementation, and scientific understanding. We propose an objective function that trades-off subgroup size and effect size, and varying the hyperparameter that controls this trade-off results in a ``frontier'' of Pareto optimal rule sets, none of which dominates the others across all criteria. Valid inference is achievable through sample splitting. We demonstrate the utility and limitations of our method using simulated and empirical examples.