Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction
异质性处理效应的统计学习：预训练、预后与预测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：摘要直接研究条件平均处理效应、异质性估计及因果效应学习。
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…
异质性处理效应的统计学习：预训练、预后与预测
- 研究问题
- 在协变量较多时，如何利用结局预后因素与处理效应异质性因素之间的关联，改进条件平均处理效应估计及异质性检测？
- 方法与思路
- 作者在 R-learner 的残差化损失框架内引入预训练和辅助信息，让风险预测与因果效应估计共享信号，开展跨任务学习。
- 材料陈述的贡献
- 摘要称，当预后与处理效应预测存在协同时，该策略能改善信号检测，降低估计误差和错误发现率，并提高异质性检测功效。
- 阅读关注点
- 应核对辅助信息与主样本的关系、预训练和残差化如何衔接，以及共享信号假设、误差控制和缺乏任务协同时的表现。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要将优势限定在任务协同存在的情形，未说明识别条件、具体数据或改善幅度。
原文摘要
Robust estimation of heterogeneous treatment effects is a fundamental challenge for optimal decision-making in domains ranging from personalized medicine to educational policy. In recent years, predictive machine learning has emerged as a valuable toolbox for causal estimation, enabling more flexible effect estimation. However, accurately estimating conditional average treatment effects (CATE) remains a major challenge, particularly in the presence of many covariates. In this article, we propose pretraining strategies that leverage a phenomenon in real-world applications: factors that are prognostic of the outcome are frequently also predictive of treatment effect heterogeneity. In medicine, for example, components of the same biological signaling pathways frequently influence both baseline risk and treatment response. Specifically, we demonstrate our approach within the R-learner framework, which estimates the CATE by solving individual prediction problems based on a residualized loss. We use this structure to incorporate side information and develop models that can exploit synergies between risk prediction and causal effect estimation. In settings where these synergies are present, this cross-task learning enables more accurate signal detection, yields lower estimation error, reduced false discovery rates, and higher power for detecting heterogeneity.