跳转至

Evaluating and testing for actionable treatment effect heterogeneity

作者: Mahsa Ashouri, Nicholas C Henderson
来源: Statistical Methods in Medical Research
主题: 因果推断
相关性: 7/10
机构绿灯: University of Michigan(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是异质性处理效应(HTE)的评估与推断,其根本的统计问题是:在随机对照试验(RCT)中,给定一个允许处理效应随协变量变化的预测模型(如因果森林、BART、带交互项的线性模型),我们如何判断这个模型相对于一个"不允许处理效应变化"的基准模型(即常数处理效应模型)是否带来了可操作的预测增益?这个问题的科学动机来自精准医学:临床医生希望知道"哪些患者亚组会从治疗中获益更多",但 HTE 的估计往往噪声极大,模型声称的异质性可能只是过拟合。因此,本文的核心关切不是"如何估计 CATE",而是"如何对 CATE 模型的预测增益做统计推断"——即构造置信区间并给出一个类似 p 值的量(文中称为 h-value),帮助实践者判断"采用复杂 HTE 模型是否值得"。

该方向的成熟度:HTE 估计方法(因果森林、元学习器、BART 等)已相当成熟且有大量综述(如 Rekkas et al. 2020 的 scoping review),但针对 HTE 模型预测增益的推断工具相对匮乏。本文试图填补的正是这一缺口。

发展脉络(history)

奠基工作:HTE 估计的现代框架可追溯到 Athey & Imbens (2016) 的因果树/因果森林方法,以及 Wager & Athey (2018) 给出的渐近高斯性理论。这些工作确立了"用机器学习估计 CATE 并做推断"的基本范式。同期,Künzel et al. (2019) 提出元学习器(S-learner, T-learner, X-learner)的统一框架,将任意监督学习算法转化为 CATE 估计器。这些工作解决了"如何估计"的问题,但没有回答"估计出的异质性是否真的有用"。

主要进展:在模型评估方面,van Geloven et al. (2020) 提出了"predictimand"框架,强调预测模型中的处理变量应被明确视为一个估计目标,而非简单的协变量——本文直接引用了这一概念,将其作为"预测性估计目标"(predictive estimand)的理论基础。在推断方法上,Bates et al. (2024) 是本文最核心的方法论支柱,该文系统研究了交叉验证估计量的偏差问题,指出标准 K 折交叉验证的方差估计会因"同一数据既用于训练又用于测试"而产生相关性,并提出了嵌套交叉验证方案来修正方差估计。本文的置信区间构造直接采用了 Bates et al. (2024) 的框架。

当前 frontier:HTE 评估的前沿正在从"点估计"转向"推断"。Crump et al. (2008) 提出了非参数检验 CATE 是否为常数的 Wald 型检验;Chang et al. (2015) 和 Dai & Stern (2022) 分别用核方法和 U 统计量构造了 HTE 的非参数检验。但这些检验回答的是"是否存在异质性"(一个二元问题),而非"异质性建模带来了多少预测增益"(一个连续问题)。本文的位置正是在这里:它不检验异质性的存在性,而是量化异质性建模的预测价值。

本文的位置:本文提出了一种通用的两阶段框架——第一阶段用"移位结果"(treatment-shifted outcomes)构造受限估计量(即常数处理效应模型下的最优基准),第二阶段用嵌套交叉验证构造预测增益的置信区间和 h-value。其方法论的独特性在于:通过构造"最接近的受限模型"(closest restricted model),使得预测增益的估计不依赖于对 CATE 函数形式的假设,从而适用于任何 HTE 估计方法。

子线索聚类

被引文献大致落在三条子线索上:

  1. CATE 估计方法(Athey & Imbens 2016; Wager & Athey 2018; Künzel et al. 2019; Cui et al. 2023; Dandl et al. 2024):这一簇在解决"如何用机器学习灵活估计 CATE",包括因果森林、元学习器、生存森林等。本文将其作为"黑箱"——不关心具体估计方法,只关心其预测增益。

  2. HTE 检验与推断(Crump et al. 2008; Chang et al. 2015; Dai & Stern 2022):这一簇在解决"是否存在 HTE"或"CATE 是否非零",方法包括非参数 Wald 检验、核方法、U 统计量。本文与这一簇最接近,但目标不同——本文不检验存在性,而是量化预测增益。

  3. 交叉验证与预测误差推断(Varma & Simon 2006; Bates et al. 2024):这一簇在解决"如何对交叉验证估计的预测误差做有效的统计推断",核心问题是方差估计的偏差修正。本文的推断框架直接建立在这一簇之上。

这个方向在追问的核心问题

  1. 如何定义"可操作的 HTE"? 即,什么样的异质性值得在临床实践中被采纳?本文的回答是:预测增益(预测误差的差异)超过某个阈值。
  2. 如何对预测增益做推断? 即,如何构造置信区间和假设检验,使得实践者能控制错误发现率?本文的回答是:嵌套交叉验证 + 正态近似。
  3. 如何保证推断的稳健性? 即,当 HTE 估计方法本身是黑箱(如随机森林、BART)时,如何不依赖具体模型结构做推断?本文的回答是:通过"最接近的受限模型"构造,使得推断只依赖于预测误差的差异,而不依赖于模型形式。

已知瓶颈:交叉验证估计量的方差估计偏差(Bates et al. 2024 指出的核心问题);HTE 信号通常很弱,需要大样本才能检测到预测增益;当 HTE 估计方法高度非线性时,预测增益的分布可能严重偏离正态。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"现有 HTE 评估工具要么只检验异质性的存在(如 Crump et al. 2008),要么只评估模型的整体预测性能(如标准交叉验证),但缺乏一个直接量化'HTE 建模相对于常数处理效应模型的预测增益'并对其做推断的工具。" 作者声称其方法的优势在于通用性(适用于任何 HTE 估计方法)和直接性(直接对预测增益做推断,而非间接检验)。

被作者淡化或回避的竞争路线:(1) 贝叶斯方法(如 BART 的后验推断)——作者在讨论中仅简要提及,未深入比较;(2) 基于影响函数的半参数推断方法(如 Kennedy 2020 的 doubly robust CATE 估计)——作者未引用 Kennedy 的工作,而是选择了纯预测视角,回避了因果推断中更精细的效率理论;(3) 多重检验框架(如对每个亚组做检验并做多重比较校正)——作者未讨论这一路线。

值得研究者去查的问题:为什么作者没有引用 Kennedy (2020) 的 doubly robust CATE 估计?Kennedy 的方法也提供了 CATE 估计的推断,且具有效率最优性。作者选择纯预测视角(而非因果推断视角)是否是刻意的简化?另外,作者没有讨论当 HTE 估计方法本身不一致(如随机森林在部分设定下可能不一致)时,预测增益的推断是否仍然有效。

张力

未见明显对立引用。但存在一个微妙的张力:Crump et al. (2008) 等检验方法关注的是"是否存在异质性"(一个假设检验问题),而本文关注的是"异质性建模是否带来预测增益"(一个估计与置信区间问题)。这两者看似相关,但目标不同——前者在零假设下工作,后者在备择假设下工作。作者没有明确讨论这两种框架的关系,这是一个值得研究者注意的空白。

二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号(逐个点名):

  • \(Y_i\):观测到的结果变量(随机变量,有样本)。连续型结果。
  • \(A_i \in \{0, 1\}\):处理分配指示(随机变量,有样本)。\(A_i = 1\) 表示接受积极治疗,\(A_i = 0\) 表示对照组。
  • \(x_i \in \mathbb{R}^p\):基线协变量向量(随机变量,有样本)。
  • \(Y_i(0), Y_i(1)\):潜在结果(potential outcomes,不可观测——每个个体只能看到其中一个)。\(Y_i = A_i Y_i(1) + (1 - A_i) Y_i(0)\) 是观测结果与潜在结果的连接(SUTVA 的观测版本)。
  • \(f(A, x) = \mathbb{E}[Y_i \mid A_i = A, x_i = x]\):条件均值函数(未知的估计目标,非参数对象)。这是"真实"的回归函数。
  • \(\theta(x) = f(1, x) - f(0, x)\):个体化处理效应(ITE)函数,也称 CATE(未知的估计目标)。HTE 存在当且仅当 \(\theta(x)\) 非常数。
  • \(\hat{f}(A, x; \mathcal{D})\):基于数据 \(\mathcal{D}\) 训练得到的无约束估计量(即允许 HTE 的模型,如因果森林、BART、带交互项的线性模型)。
  • \(\hat{g}(A, x; \mathcal{D})\):受限估计量(restricted estimator),形式为 \(\hat{g}(A, x; \mathcal{D}) = \hat{f}_{\tau^*}(x; \mathcal{M}_{\tau^*}) + \tau^* A\),其中 \(\hat{f}_{\tau}(x; \mathcal{M}_{\tau})\) 是在移位数据集 \(\mathcal{M}_{\tau} = \{(Y_i - \tau A_i, x_i)\}\) 上训练的不含处理变量的模型。这个估计量强制处理效应为常数 \(\tau^*\)。
  • \(\tau^*\):受限处理效应估计,定义为 \(\tau^* = \arg\min_\tau \sum_{i=1}^n (Y_i - \tau A_i - \hat{f}_\tau(x_i; \mathcal{M}_\tau))^2\)。这是"最接近"无约束模型的常数处理效应。
  • \(\ell(\cdot, \cdot, \cdot)\):损失函数,本文主要考虑平方损失 \(\ell(\hat{f}, \hat{g}, Y) = (Y - \hat{f})^2 - (Y - \hat{g})^2\)。
  • \(\theta_{XY}\):预测性估计目标(predictive estimand),定义为 \(\theta_{XY} = \mathbb{E}\{\ell(\hat{f}(x_{n+1}, A_{n+1}; \mathcal{D}), \hat{g}(x_{n+1}, A_{n+1}; \mathcal{D}), Y_{n+1}) \mid \mathcal{D}\}\)。这是数据依赖的(data-dependent)目标——它衡量的是"用当前数据训练出的两个模型"在未来的预测差异,而非"真实函数"的差异。
  • \(h\):h-value,定义为 \(h = \inf\{\alpha \in (0,1) : \text{sign}(L_\alpha(\mathcal{D})) = \text{sign}(U_\alpha(\mathcal{D}))\}\),即置信区间不包含零的最小显著性水平。它衡量的是"有多大把握认为预测增益不为零"。

模型(数据生成机制):

  • 数据 \(\mathcal{D} = \{(Y_i, A_i, x_i); i = 1, \ldots, n\}\) 来自随机对照试验(RCT),即 \(A_i \perp (Y_i(0), Y_i(1)) \mid x_i\)(处理分配独立于潜在结果,由随机化保证)。
  • 观测结果满足 \(Y_i = f(A_i, x_i) + \varepsilon_i\),其中 \(\varepsilon_i\) 是均值为零、与 \((A_i, x_i)\) 独立的噪声项(不需要假设噪声同方差或正态)。
  • 可观测数据:研究者能观测到 \((Y_i, A_i, x_i)\) 三元组。不可观测的是潜在结果 \(Y_i(0), Y_i(1)\)(每个个体只有一个),以及真实函数 \(f(A, x)\) 和 \(\theta(x)\)。关键点:\(\theta(x)\) 本身不可观测,只能通过模型估计;本文的估计目标 \(\theta_{XY}\) 是可识别的,因为它只涉及观测数据的预测误差,不涉及反事实。

第二步:最小内核

最小内核:假设我们有一个二元协变量 \(x \in \{0, 1\}\),样本量 \(n\),RCT 设计(\(P(A=1) = 0.5\))。真实模型为 \(Y_i = \beta_0 + \beta_1 x_i + \beta_2 A_i + \beta_3 A_i x_i + \varepsilon_i\),其中 \(\varepsilon_i \sim N(0, 1)\)。

  • 无约束估计量 \(\hat{f}\):线性回归 \(Y \sim x + A + A \cdot x\),得到 \(\hat{f}(A, x) = \hat{\beta}_0 + \hat{\beta}_1 x + \hat{\beta}_2 A + \hat{\beta}_3 A x\)。
  • 受限估计量 \(\hat{g}\):先对每个候选 \(\tau\),构造移位数据 \(Y_i - \tau A_i\),在 \(\{Y_i - \tau A_i, x_i\}\) 上回归 \(Y - \tau A \sim x\),得到 \(\hat{f}_\tau(x)\);然后选择 \(\tau^*\) 最小化 \(\sum_i (Y_i - \tau A_i - \hat{f}_\tau(x_i))^2\)。最终 \(\hat{g}(A, x) = \hat{f}_{\tau^*}(x) + \tau^* A\)。

要证的命题:\(\theta_{XY} = \mathbb{E}[(Y_{n+1} - \hat{f}(x_{n+1}, A_{n+1}))^2 - (Y_{n+1} - \hat{g}(x_{n+1}, A_{n+1}))^2 \mid \mathcal{D}]\) 的置信区间是否覆盖零?如果覆盖零,则说明 HTE 建模没有带来显著的预测增益。

为什么这个例子是内核:在这个二元协变量的线性设定下,\(\theta_{XY}\) 的符号完全由 \(\hat{\beta}_3\) 决定——如果 \(\hat{\beta}_3\) 远离零,则 \(\hat{f}\) 的预测误差显著小于 \(\hat{g}\),\(\theta_{XY} < 0\);如果 \(\hat{\beta}_3\) 接近零,则 \(\theta_{XY} \approx 0\)。因此,本文的方法本质上是在检验"交互项系数是否显著"的预测版本——但它的优势在于不依赖线性假设,可以推广到任意黑箱模型。这个例子清楚地展示了:本文的核心数学任务不是估计 \(\theta(x)\),而是对两个嵌套模型的预测误差之差做推断,而嵌套交叉验证正是为了修正这个差值的方差估计偏差。

三、这篇论文做了什么

三句话

① 研究了什么问题:在随机对照试验中,如何评估一个允许处理效应异质性的预测模型(HTE 模型)相对于其"最接近的常数处理效应版本"是否带来了显著的预测增益,并对此进行统计推断(置信区间和 h-value)。

② 核心工具/方法:提出了"移位结果"(treatment-shifted outcomes)方法构造受限估计量,结合 Bates et al. (2024) 的嵌套交叉验证框架,构造预测增益 \(\theta_{XY}\) 的置信区间和 h-value。

③ 主要结论:通过模拟研究,该方法在多种线性和非线性设定下均能达到接近标称水平的覆盖率;在 IHDP 数据应用中,三种方法(线性回归、Lasso、boosting)的 h-value 均未显示 HTE 建模有显著的预测增益,说明在该数据集中 HTE 的预测价值有限。

关键设定与假设

  1. 随机化试验:\(A_i \perp (Y_i(0), Y_i(1)) \mid x_i\)。这是全文的基础假设,保证了处理分配与潜在结果独立。相比观测性研究,本文不需要无混淆假设(unconfoundedness),因为随机化直接保证了这一点。

  2. 无 SUTVA 假设的显式陈述:作者隐含假设了 Stable Unit Treatment Value Assumption(个体间无干扰、无隐藏处理变体),但未显式声明。这是 RCT 分析的标准假设。

  3. 结果模型:\(Y_i = f(A_i, x_i) + \varepsilon_i\),\(\varepsilon_i\) 均值为零且与 \((A_i, x_i)\) 独立。不需要假设 \(\varepsilon_i\) 正态或同方差,这使得方法对厚尾结果具有鲁棒性。

  4. 估计量的"最接近"性质:受限估计量 \(\hat{g}\) 被定义为"最接近"无约束估计量的常数处理效应模型。这个定义依赖于移位结果方法——通过最小化 \(\sum_i (Y_i - \tau A_i - \hat{f}_\tau(x_i))^2\) 来选择 \(\tau^*\)。关键假设:\(\hat{f}_\tau\) 是 \(\tau\) 的光滑函数,且 \(\tau^*\) 是唯一最小值点。

  5. 嵌套交叉验证的假设:沿袭 Bates et al. (2024) 的框架,假设交叉验证的折数 \(K\) 和重复次数 \(R\) 足够大,使得正态近似有效。作者在模拟中使用了 \(K=5, R=50\)。

相比已有文献的放宽/强化:相比 Crump et al. (2008) 的非参数检验,本文不假设 CATE 的特定函数形式,适用于黑箱模型;相比 Kennedy (2020) 的 doubly robust 方法,本文不需要估计倾向得分或结果回归的 nuisance 参数,但代价是不提供效率最优性保证——本文的估计量是预测导向的,而非因果推断导向的。

主要结果

理论结果(本文无正式定理,主要依赖 Bates et al. 2024 的渐近理论):

  • 置信区间构造:\(\hat{\theta}_{XY}^{(NCV)} \pm z_{1-\alpha/2} \sqrt{\widehat{MSE}^{(NCV)}}\),其中 \(\hat{\theta}_{XY}^{(NCV)}\) 是嵌套交叉验证估计量,\(\widehat{MSE}^{(NCV)}\) 是均方误差的嵌套交叉验证估计。
  • 偏差修正:通过嵌套交叉验证,修正了标准 K 折交叉验证中因"训练/测试重叠"导致的方差低估问题(Bates et al. 2024 的核心贡献)。

模拟结果(核心量化结论):

  1. 线性设定(表 2):当存在 HTE 时(Setting B),所有方法的 \(\theta_{XY}\) 均显著为负(约 -1.0 至 -1.2),且 h-value 中位数远小于 0.05,说明方法能有效检测到预测增益。当无 HTE 时(Setting A),\(\theta_{XY}\) 接近零,h-value 中位数在 0.4-0.8 之间,说明方法不会产生虚假的"显著 HTE"结论。

  2. 非线性设定(表 3):在 \(n=500\) 时,即使存在 HTE,多数方法的 \(\theta_{XY}\) 仍为正或接近零,说明样本量不足时 HTE 建模的预测增益难以被检测到。在 \(n=2000\) 时,boosting 在 \(\mu_2\) 和 \(\mu_3\) 设定下能检测到负的 \(\theta_{XY}\)(约 -0.4 至 -1.1),但 Lasso 在 \(\mu_1\) 设定下表现不佳(\(\theta_{XY}\) 为正),说明方法对 HTE 的函数形式敏感。

  3. 覆盖率:大多数设定下覆盖率在 0.94-0.99 之间,接近 95% 标称水平。但 Lasso 在部分设定下覆盖率偏低(如 \(\mu_1\) 设定下 0.86-0.89),说明稀疏惩罚可能导致预测误差的分布偏离正态。

  4. IHDP 应用(图 2):三种方法的 h-value 分布均集中在 0.2-1.0 之间,没有证据表明 HTE 建模带来显著的预测增益。作者通过偏依赖图进一步说明,即使存在一些亚组差异,这些差异也不足以转化为预测优势。

证明路线与技术技巧

整体路线(3-5 步):

  1. 构造受限估计量:对每个候选 \(\tau\),构造移位数据 \(\mathcal{M}_\tau = \{(Y_i - \tau A_i, x_i)\}\),在 \(\mathcal{M}_\tau\) 上训练不含处理变量的模型 \(\hat{f}_\tau(x)\)。这一步的关键在于:\(\hat{f}_\tau(x)\) 是"在假设处理效应为 \(\tau\) 的条件下"对基线风险 \(\mathbb{E}[Y \mid A=0, x]\) 的估计。

  2. 选择最优 \(\tau^*\):通过最小化 \(\sum_i (Y_i - \tau A_i - \hat{f}_\tau(x_i))^2\) 选择 \(\tau^*\)。这一步保证了受限估计量 \(\hat{g}(A, x) = \hat{f}_{\tau^*}(x) + \tau^* A\) 是"最接近"无约束估计量的常数处理效应模型。

  3. 定义预测增益:\(\theta_{XY} = \mathbb{E}[\ell(\hat{f}, \hat{g}, Y_{n+1}) \mid \mathcal{D}]\),其中 \(\ell\) 是平方损失差。\(\theta_{XY} < 0\) 意味着无约束模型(允许 HTE)的预测误差更小。

  4. 嵌套交叉验证估计:采用 Bates et al. (2024) 的嵌套交叉验证方案,外层循环估计 \(\theta_{XY}\),内层循环估计方差。关键技巧在于:内层交叉验证用于估计"训练集内模型选择"的方差,从而修正标准交叉验证的方差低估。

  5. 正态近似与 h-value:基于嵌套交叉验证估计量的渐近正态性,构造置信区间和 h-value。

关键跳跃点:

  • 最吃功夫的引理(来自 Bates et al. 2024):证明嵌套交叉验证估计量的均方误差估计 \(\widehat{MSE}^{(NCV)}\) 是渐近一致的。难点在于:交叉验证的折间相关性使得标准方差估计失效,Bates et al. 的解决方案是通过"留一折"的方差分解来修正。
  • 本文的独特跳跃:将 Bates et al. 的框架从"单一模型的预测误差"推广到"两个嵌套模型的预测误差之差"。这个推广的关键在于:受限估计量 \(\hat{g}\) 的构造依赖于 \(\tau^*\) 的选择,而 \(\tau^*\) 本身是数据依赖的,这引入了额外的变异性。作者通过移位结果方法巧妙地规避了这个问题——\(\tau^*\) 的选择被嵌入到模型训练过程中,从而使得 \(\hat{g}\) 可以被视为一个标准的"受限模型估计量"。

技术技巧点名:

  • 移位结果(treatment-shifted outcomes):核心技巧,通过构造 \(Y_i - \tau A_i\) 将"常数处理效应约束"转化为"标准回归问题"。
  • 嵌套交叉验证(nested cross-validation):用于修正方差估计偏差,来自 Bates et al. 2024。
  • 偏差校正(bias correction):\(\hat{b}^{(NCV)}\) 项用于修正嵌套交叉验证估计量的有限样本偏差。
  • 部分依赖图(partial dependence plots):用于可视化 HTE 的方向和大小,辅助解释 h-value 的结果。

🔎 结论是否比证明窄

是,存在多处"证明窄、声称宽"的情况:

  1. 论文标题声称"actionable"(可操作的)HTE,但全文的估计目标 \(\theta_{XY}\) 只衡量预测误差的差异,并未直接衡量"临床决策"的改善。一个模型可以有显著的预测增益,但未必能改变治疗决策(例如,如果所有亚组的治疗效应方向相同,只是大小略有差异)。作者在讨论中承认了这一点,但标题和摘要的表述超出了证明范围。

  2. 模拟中仅考虑了连续结果和平方损失。作者在讨论中提到"对于二元结果或生存结果,需要修改损失函数",但未给出具体方案。因此,方法的适用范围在文中被表述为"通用",实际证明仅覆盖了连续结果。

  3. 对 Lasso 的覆盖率不足(<90%),作者将其归因于"Lasso 的稀疏性导致预测误差分布偏离正态",但未提供理论解释或修正方案。这一现象在文中被轻描淡写,但实际上是方法的一个已知弱点。

  4. IHDP 应用中的结论:"没有证据表明 HTE 建模带来显著的预测增益"——这一结论仅基于三种特定方法(线性回归、Lasso、boosting)和特定的协变量选择。作者没有尝试其他 HTE 估计方法(如因果森林、BART),因此结论的普适性有限。

四、开放问题(点到为止,扎根具体语句)

  1. 二元/生存结果的扩展。作者在讨论中写道:"对于二元结果或生存结果,可能需要修改损失函数以反映临床决策的效用"(Discussion 部分)。要证明什么:在非连续结果下,预测增益的置信区间是否仍然有效?损失函数的选择如何影响 h-value 的解释?

  2. 观测性研究中的混淆调整。作者在讨论中提到:"我们的方法可以扩展到观测性研究,但需要额外的假设来控制混淆。" 要证明什么:在观测性研究中,倾向得分加权或双重稳健估计如何融入移位结果框架?预测增益的定义是否需要修改?

  3. Lasso 覆盖率不足的理论解释。模拟结果显示 Lasso 在部分设定下覆盖率仅 0.86-0.89,作者未提供理论解释。要证明什么:稀疏估计量的预测误差分布何时偏离正态?是否存在针对稀疏估计量的方差修正方案?

  4. h-value 的决策理论解释。作者将 h-value 定义为"置信区间不包含零的最小显著性水平",但未讨论其在多重比较或决策理论框架下的性质。要证明什么:当同时评估多个 HTE 模型时,如何控制错误发现率?h-value 与贝叶斯因子或 e-value 的关系是什么?

  5. "最接近受限模型"的唯一性。移位结果方法构造的受限估计量依赖于 \(\tau^*\) 的定义(最小二乘意义下的最优常数处理效应)。要证明什么:当损失函数不是平方损失时,"最接近"的定义是否唯一?不同的 \(\tau^*\) 定义是否会导致不同的推断结论?

提示:要确认上述问题是否是真 gap,建议去读以下近期文献的引言部分——(1) HTE 评估的 scoping review(Rekkas et al. 2020; Inoue et al. 2024);(2) 交叉验证推断的最新进展(Bates et al. 2024 及其后续引用);(3) 因果森林的推断理论(Wager & Athey 2018 的后续工作)。如果这些文献的引言都指向同一个问题,那就是共识性 gap;如果它们各说各话,那可能是一个尚未成型的领域。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论