Distilling heterogeneous treatment effects: Stable subgroup estimation in causal inference
异质性治疗效应蒸馏：因果推断中的稳定亚组估计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：摘要明确研究异质性治疗效应及随机试验中的可解释亚组估计。
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…
异质性治疗效应蒸馏：因果推断中的稳定亚组估计
- 研究问题
- 如何把黑箱机器学习估计的异质性治疗效应转化为可解释且稳定的亚组，以识别可能更受益或风险更高的个体？
- 方法与思路
- 作者提出因果蒸馏树，先用机器学习估计异质性治疗效应，再用简单决策树提炼亚组，并提供一致性理论和稳定性诊断。
- 材料陈述的贡献
- 摘要称该方法兼顾黑箱模型的预测表现与树的可解释性，并在 HIV 随机试验应用中构造出更稳定、临床相关的亚组。
- 阅读关注点
- 应核对亚组一致性的具体条件、第一阶段误差对树划分的影响，以及稳定性诊断、样本使用方式和比较指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明理论条件和优势幅度，单项应用不能确立普遍优势。
原文摘要
Recent methodological developments have introduced new black-box approaches to better estimate heterogeneous treatment effects; however, these methods fall short of providing interpretable characterizations of the underlying individuals who may be most at risk or benefit most from receiving the treatment, thereby limiting their practical utility. In this work, we introduce causal distillation trees (CDT) to estimate interpretable subgroups. CDT allows researchers to fit any machine learning model to estimate heterogeneous treatment effects, and then leverages a simple, second-stage tree-based model to "distill" the estimated treatment effects into meaningful subgroups. As a result, CDT inherits the improvements in predictive performance from black-box machine learning models while preserving the interpretability of a simple decision tree. We derive theoretical guarantees for the consistency of the estimated subgroups using CDT, and introduce stability-driven diagnostics for researchers to evaluate the quality of the estimated subgroups. We illustrate our proposed method on a randomized controlled trial of antiretroviral treatment for HIV from the AIDS Clinical Trials Group Study 175 and show that CDT out-performs state-of-the-art approaches in constructing stable, clinically relevant subgroups.