A Variance-Based Test for Heterogeneous Treatment Effects
基于方差的治疗效应异质性检验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：摘要直接以条件平均治疗效应方差为检验目标，处理双重稳健得分与异质性推断，并应用于就业培训，属于因果推断。
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…
关注这篇论文的作者
基于方差的治疗效应异质性检验
- 研究问题
- 以条件平均治疗效应的方差检验异质性时，如何同时处理同质性零假设下的退化问题和样本分割破坏正交性的问题？
- 方法与思路
- 作者提出折内样本分割，在互不重叠的子样本上评估方差组成，同时共享相同折外辅助估计量，使辅助估计偏差代数抵消。
- 材料陈述的贡献
- 摘要称，方法恢复一致性与渐近正态性并控制第一类错误；模拟改善尺寸控制，NSW 培训应用检测到显著异质性。
- 阅读关注点
- 应核对零假设下的标准化与极限分布、折内分割规则、辅助估计条件，以及目标方差覆盖哪些类型的治疗异质性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列识别和速率条件，条件平均效应同质不排除个体效应异质。
原文摘要
This paper proposes a robust nonparametric hypothesis test for the existence of heterogeneous treatment effects. We focus on the variance of the Conditional Average Treatment Effect (CATE) as a natural omnibus parameter, where a non-zero variance implies the presence of relevant heterogeneity. Standard inference for this parameter faces a fundamental theoretical challenge. On one hand, evaluating variance components on the same sample leads to null degeneracy, where the asymptotic variance collapses to zero under the null hypothesis of homogeneity, invalidating standard Gaussian inference. On the other hand, decoupling the empirical processes via standard sample-splitting breaks the Neyman orthogonality of the doubly robust scores due to their nonlinear squared loss, which prevents the cancellation of first-order regularization biases. To resolve this challenge, we propose a novel Intra-Fold Sample-Splitting algorithm. By evaluating variance components on mutually disjoint subsamples while coupling them to identical out-of-fold nuisance estimators, our procedure achieves algebraic cancellation of the nuisance biases. We prove this restores consistency and asymptotic normality, and ensures Type I error control. Monte Carlo simulations demonstrate that the proposed test achieves superior size control relative to existing tests while maintaining high power. In an empirical application to the NSW job training program, the test detects significant heterogeneity that traditional nonparametric tests fail to uncover.