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

在这篇论文中，我们采用最近引入的无结构统计下界框架，证明了双重稳健估计器在平均处理效应以及对待处理群体的平均处理效应方面的统计优越性，以及这些估计器的加权变体，这在政策评估中广泛应用。

Feb, 2024

本文提出了一个针对观测研究中异质性处理效应估计的两阶段算法，其中，通过估计边际效应和治疗倾向来形成一个分离因果信号的客观函数，然后优化这个数据自适应的目标函数。我们的方法具有灵活性和易用性，并且针对不同的实际情况也有优势。

Dec, 2017

连同统计可减少方差的估计和鲁棒估计在内，研究了在可能违反正性的情况下的最优治疗规则的因果识别和估计，以及如公平性等约束通过约束优化处理，并提出了用于获得方差敏感性遗憾界的多参数政策类的两阶段算法。

Sep, 2023

本文提出一种新的核平滑方法，可以在不需要参数模型的情况下，对连续治疗（如剂量）进行因果效应估计，并允许处理密度或结果回归的错误规范。方法经过了模拟证明，并应用于护士人员配备对医院复诊惩罚的研究中。

Jul, 2015

本研究论述了一些治疗效果评估的方法，探究了不同的元学习策略并以神经网络为基础，旨在构建更好的条件 / 环境下，使某些学习者的表现优于其他学习者的认识。

Jan, 2021

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

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

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