[论文解读] Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification

Hyun-Suk Lee, Yao Zhang+4 more|arXiv (Cornell University)|Jun 14, 2020

Advanced Causal Inference Techniques参考文献 28被引用 8

一句话总结

本文提出 R2P，一种用于异质性处理效应（HTE）分析的稳健递归划分方法，通过合谋预测实现不确定性量化，将任意个体化处理效应（ITE）估计器与之结合。R2P 通过强制实现组间异质性与组内同质性，提升了子群识别能力，在合成数据集与半合成数据集上，相比最先进方法，生成了更可靠的子群及更窄的置信区间。

ABSTRACT

Subgroup analysis of treatment effects plays an important role in applications from medicine to public policy to recommender systems. It allows physicians (for example) to identify groups of patients for whom a given drug or treatment is likely to be effective and groups of patients for which it is not. Most of the current methods of subgroup analysis begin with a particular algorithm for estimating individualized treatment effects (ITE) and identify subgroups by maximizing the difference across subgroups of the average treatment effect in each subgroup. These approaches have several weaknesses: they rely on a particular algorithm for estimating ITE, they ignore (in)homogeneity within identified subgroups, and they do not produce good confidence estimates. This paper develops a new method for subgroup analysis, R2P, that addresses all these weaknesses. R2P uses an arbitrary, exogenously prescribed algorithm for estimating ITE and quantifies the uncertainty of the ITE estimation, using a construction that is more robust than other methods. Experiments using synthetic and semi-synthetic datasets (based on real data) demonstrate that R2P constructs partitions that are simultaneously more homogeneous within groups and more heterogeneous across groups than the partitions produced by other methods. Moreover, because R2P can employ any ITE estimator, it also produces much narrower confidence intervals with a prescribed coverage guarantee than other methods.

研究动机与目标

• 解决现有 HTE 方法依赖特定 ITE 估计器且忽略子群内异质性的局限性。
• 开发一种对 ITE 估计器选择不敏感的灵活子群分析框架。
• 在最大化组间异质性的同时，确保组内强同质性，以减少假阳性发现。
• 利用合谋预测为每个子群中的 ITE 估计量提供有效且狭窄的置信区间。
• 在医疗与政策应用中实现可信、可解释且稳健的子群识别。

提出的方法

• R2P 使用任意外部指定的 ITE 估计器（例如，随机森林、高斯过程、深度学习）来估计个体化处理效应。
• 基于一种新型准则实施递归划分，该准则平衡了组间异质性与组内同质性。
• 通过合谋预测量化 ITE 估计中的不确定性，生成具有有限样本覆盖保证的有效预测区间。
• 通过要求子群内处理效应的预测区间狭窄且组间不重叠，强制实现‘可信同质性’。
• 该算法递归划分人群，直至无法进一步提升同质性与异质性。
• 将不确定性量化整合进划分准则，确保子群不仅在统计上显著区分，而且估计结果可靠。

实验结果

研究问题

• RQ1 能否设计一种不依赖 ITE 估计器选择的 HTE 递归划分方法？
• RQ2 如何显式控制子群内异质性，以减少子群识别中的假阳性发现？
• RQ3 能否将不确定性量化整合进划分过程，以生成有效且狭窄的 ITE 估计置信区间？
• RQ4 强制实现组间异质性与组内同质性是否能产生比现有方法更可靠、更可解释的子群？
• RQ5 R2P 在子群同质性、异质性与置信区间宽度方面，相较于最先进方法的性能提升程度如何？

主要发现

• 在合成数据集 A 上，R2P 将平均组内方差降低了 89%；在合成数据集 B 上，降低超过 95%，表明组内同质性极强。
• 在半合成数据集上，R2P 在 IHDP 上将组内方差降低超过 50%，在 CPP 上降低超过 30%，证实其在多种数据类型下的稳健表现。
• R2P 生成的置信区间显著窄于基线方法，同时保持了预定的覆盖概率，提升了 ITE 估计的精度。
• 在所有实验中，R2P 识别出的子群其处理效应分布互不重叠或明显可区分，而基线方法常产生虚假发现。
• 在所有指标上，R2P 均优于所有基线方法：组间异质性、组内同质性与置信区间宽度。
• R2P 能够使用任意 ITE 估计器，使其可利用未来估计技术的进步，而无需重新设计子群发现流程。