Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data
多地点异质性处理效应推广的极小极大遗憾估计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：研究直接针对多地点条件平均处理效应的估计、异质性及跨人群推广。
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
多地点异质性处理效应推广的极小极大遗憾估计
- 研究问题
- 目标人群可能以未知且不可观测的方式区别于多个来源地点时，如何汇总地点特定的异质性处理效应，提高跨人群推广的稳健性？
- 方法与思路
- 作者将目标 CATE 限定为地点特定 CATE 的凸组合，通过极小极大遗憾优化同时考虑协变量分布和处理效应异质性的跨地点变化。
- 材料陈述的贡献
- 摘要称，所提模型具有可解释的闭式解，表现为地点特定 CATE 模型的加权平均；模拟与真实应用报告稳健性和可推广性的改善。
- 阅读关注点
- 应核对目标人群集合、遗憾损失和最坏情形的定义，凸组合限制的实质含义，以及地点内估计误差如何影响最终权重与效应估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明完整识别与推断条件，改善结论不能推广到所设目标人群集合之外。
原文摘要
To test scientific theories and develop individualized treatment rules, researchers often wish to learn heterogeneous treatment effects that can be consistently found across diverse populations and contexts. We consider the problem of generalizing heterogeneous treatment effects (HTE) based on data from multiple sites. A key challenge is that a target population may differ from the source sites in unknown and unobservable ways. This means that the estimates from site-specific models lack external validity, and a simple pooled analysis risks bias. We develop a robust CATE (conditional average treatment effect) estimation methodology with multisite data from heterogeneous populations. We propose a minimax-regret framework that learns a generalizable CATE model by minimizing the worst-case regret over a class of target populations whose CATE can be represented as convex combinations of site-specific CATEs. Using robust optimization, the proposed methodology accounts for distribution shifts in both individual covariates and treatment effect heterogeneity across sites. We show that the resulting CATE model has an interpretable closed-form solution, expressed as a weighted average of site-specific CATE models. Thus, researchers can utilize a flexible CATE estimation method within each site and aggregate site-specific estimates to produce the final model. Through simulations and a real-world application, we show that the proposed methodology improves the robustness and generalizability of existing approaches.