Causal rule ensemble method for estimating heterogeneous treatment effect with consideration of main effects
兼顾主效应的异质性处理效应因果规则集成方法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：摘要明确研究随机临床试验中的异质性处理效应及基于 S-learner 的因果规则估计。
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…
兼顾主效应的异质性处理效应因果规则集成方法
- 研究问题
- 在随机临床试验中，如何以易解释的规则估计异质性处理效应，并区分规则所反映的处理效应与其他主效应？
- 方法与思路
- 作者基于 RuleFit 构建 S-learner 框架，在模型中同时纳入主效应规则项和处理效应规则项，以规则形式表达效应异质性。
- 材料陈述的贡献
- 摘要称，引入主效应项有助于使选中规则表达排除其他效应后的异质性处理效应；模拟表现与其他集成方法相当，并展示真实数据解释。
- 阅读关注点
- 应核对主效应和处理效应规则的构造、筛选及正则化方式，以及模拟评价标准和应用中的规则稳定性与不确定性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未提供一致性结论、模拟数值或应用细节，不能断言全面优于其他方法。
原文摘要
This study proposes a novel framework based on the RuleFit method to estimate Heterogeneous Treatment Effect (HTE) in a randomized clinical trial. To achieve this, we adopted S-learner of the metaalgorithm for our proposed framework. The proposed method incorporates a rule term for the main effect and treatment effect, which allows HTE to be interpretable form of rule. By including a main effect term in the proposed model, the selected rule is represented as an HTE that excludes other effects. We confirmed a performance equivalent to that of another ensemble learning methods through numerical simulation and demonstrated the interpretation of the proposed method from a real data application.