本文考察了异质性效应估计中条件平均处理效应的方法，并尝试分析了它们的最优性与局限性，提出了一种局部多项式适应的双重残差回归方法，可以在更弱的条件下实现最优效果。

Apr, 2020

这篇论文主要讨论了利用机器学习和计量经济学方法来预测及估计治疗效果中的个性化处理效应，作者使用了 meta-learner，比如的 Doubly-Robust, R-, T - 和 X-learner，以及专门设计来估计 CATE 的工具如因果 BART 和广义随机森林，通过两个实证案例 - 小额信贷可利用性和 401 (k) 养老计划资格的影响与效果，发现所有观察值均具正面的治疗效应，但存在不同的效应异质性。

Apr, 2021

通过学习多准确性预测器，我们提出了一种方法，用于在部署时解决未知协变量转变，从而改善异质处理效应预测，并在因果推断和机器学习中取得了令人满意的结果。

May, 2024

本文提出了一种使用神经网络进行元学习的方法来估计少量观测数据下的条件平均处理效应（CATE），该方法将 CATE 估计问题分解成多个子问题，并使用共享和特定于任务的参数的神经网络来建立估计模型，以实现有效的元学习。实验结果表明，这种方法在元学习和 CATE 估计方面优于现有的方法。

May, 2023

在关于两种处理方法的因果推断中，条件平均处理效应（CATEs）作为一种代表个体因果效应的数量起着重要角色，它被定义为在协变量条件下两种处理方法的期望结果的差异。本研究假设了两个潜在结果与两种处理方法的协变量之间的线性回归模型，并将 CATEs 定义为这两个线性回归模型之间的差异。我们提出了一种方法，用于在高维度和非稀疏参数下一致地估计 CATEs。通过假设 CATEs 的隐式稀疏性，我们展示了理论上的一致性等理想性质的实现性，即使不显式假定稀疏性。利用这种假设，我们开发了一种专门用于 CATE 估计的 Lasso 回归方法，并证明了估算量的一致性。最后，我们通过模拟研究确认了所提出方法的合理性。

Oct, 2023

本文提出了一种基于深度学习的框架，用于训练通过软权重共享的超网络实现不同处理组之间的动态端到端信息共享，并解决了现有 CATE 学习者在训练时需要将数据拆分为潜在结果函数的问题，增加了新型的不确定性感知 CATE 学习者类 HyperCATE，实验结果表明，该框架通过反事实推理改进了 CATE 估计误差，对较小数据集的效果更加显著。

May, 2023

本文研究了针对多值处理的异质效应的元学习方法，考虑不同的元学习算法，以及它们在不同的参数下的误差上界，提出并讨论了能够适用于不同处理多样性的方法，并使用合成半合成数据集验证了这些方法的优劣。

May, 2022

本研究提出了一种可扩展的损失最小化方法，用于估计有界效应的未观察混淆因素对治疗选择的倾向比的条件平均治疗效应（CATE）的界限。同时，还引入了灵活的模型类别进行估计，并提供了关于平均治疗效应（ATE）的灵敏度分析，我们发现最优边界在某些情况下是紧的。该方法在模拟和实际数据示例上表现出准确的覆盖率。

Aug, 2018

本研究提出了一种能够学习条件平均治疗效果的函数区间估计器，通过加权核估计与对手模型，实现了在实际未观测混淆下，对个体因果效应的预测，并且通过个性化决策规则，实现了渐近无遗憾的最优性能。

Oct, 2018

我们提出了一种名为数据协作双重机器学习（DC-DML）的方法，用于估计具有隐私保护的分布式数据的 CATE 模型，并通过数值实验对该方法进行了评估。

Feb, 2024