Variable importance measures for heterogeneous treatment effects
异质性处理效应的变量重要性度量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：摘要围绕 CATE 和处理效应异质性的可解释度量展开，并使用临床试验数据，直接属于因果推断而非分位数效应研究。
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…
异质性处理效应的变量重要性度量
- 研究问题
- 研究如何解释复杂的条件平均处理效应函数，量化从条件变量集合中移除某些变量后，对处理效应预测准确性的影响。
- 方法与思路
- 作者以移除变量造成的处理效应预测均方误差增量定义非参数重要性度量，构造有效估计量，并结合 CATE 元学习器计算。
- 材料陈述的贡献
- 摘要称所提度量可配合任意 CATE 估计策略并适用于机器学习估计，提供逐一剔除或保留变量的方案、模拟和临床试验应用。
- 阅读关注点
- 应核对个体处理效应预测误差与可识别目标之间的关系、有效估计的条件，以及相关变量下不同重要性计算方案的解释。
- 阅读边界
- 这是 arXiv 预印本，无法据此确认同行评审或期刊接收；摘要未说明识别及推断条件，变量重要性也不能直接解释为变量的因果效应。
原文摘要
Motivated by applications in precision medicine and treatment effect heterogeneity, recent research has focused on estimating conditional average treatment effects (CATEs) using machine learning (ML). CATE estimates may represent complicated functions that provide little insight into the key drivers of heterogeneity. Therefore, we introduce nonparametric treatment effect variable importance measures (TE-VIMs), based on the mean-squared error (MSE) in predicting the individual treatment effect. More precisely, TE-VIMs represent the increase in MSE when variables are removed from the CATE conditioning set. We derive efficient TE-VIM estimators which can be used with any CATE estimation strategy and are amenable to ML estimation. We propose several strategies to calculate these VIMs (e.g. leave-one out, or keep-one in), using popular meta-learners for the CATE. We study the finite sample performance through a simulation study and illustrate their application using clinical trial data.