本文研究对社会项目和医疗方案的疗效进行随机实验评估时，如何准确评估其异质性治疗效应，进而为大量可用的治疗方案选择最有效的方案，确定治疗成功或失败的人群，以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法，并证明其优于常用替代方法。

May, 2013

本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确，并将该方法应用于一个大规模的针对搜索引擎的实验。

Apr, 2015

利用回归树对面板数据进行分析，将观测值划分为具有相似治疗效果的不相交簇，并利用面板数据的低秩结构估计每个簇的平均治疗效果，提供更准确和可解释的估计结果。

Jun, 2024

提出了将实验性数据与观测性时间序列数据相结合的方法，以估计异质性处理效应，应用于 Facebook 页面推荐。

Nov, 2016

本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

Jan, 2023

本文探讨了异质性治疗效应估计的一个变体问题，提出了一种基于树形学习方法来寻找治疗效应异质性的方法，可以学习和确认个体化的治疗方案，并在多个数据集上的实验证明了该方法比现有方法更为优越。

Jan, 2019

现代数据分析中常常依赖于使用大型数据集，其中包含多个不同的人群或数据源的综合。这些较小数据集之间的异质性构成了因果推断的两个主要挑战：（1）每个样本的来源可能会引入处理和效果之间的潜在混淆，（2）不同的人群对相同的处理可能会产生不同的反应，导致异质性处理效应。先前的研究只报告了类似个体之间的条件平均处理效应（CATE），而不能解决潜在异质性驱动下的潜在混合处理效应，我们称之为混合处理效应（MTEs）。基于混合模型的时刻方法的启发，我们提出了 “合成潜在结果”（SPOs）的新方法。我们的新方法既可以解决异质性问题，也可以保证 MTE 的可辨识性。这种技术绕过了完全恢复混合模型的要求，极大地简化了其可辨识性的要求。我们在合成数据上展示了 SPOs 的有效性。

May, 2024

本文介绍了使用倾向得分法估算二元治疗的因果效应，探讨了一些减少治疗和对照组之间初始协变量偏差的方法，并针对多种分类治疗方法提出了可能的匹配技术，利用模拟演示了如何提高匹配集合中协变量的相似度。

Jan, 2017

本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果，其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异，并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函数。特别地，一个两阶段最近邻估计器可以通过抛弃匹配质量差的观测值来接近极小值。我们还建立了密度比的紧密依赖性，而不需要通常的假设协变量密度远离零，在此关键步骤是采用独立于兴趣的新型极限不等式。

Feb, 2020

对于估计异质性治疗效果的研究人员，不需要局限于单个模型拟合算法，应通过从验证集中学习的目标函数对使用多个算法拟合的多个模型进行评估，从而选择最小化目标的模型，用于未来个体的治疗效果估计。

Apr, 2018