新方法可在无真实处理效应情况下选优HTE估计器并控制错误率
arXiv论文提出基于交叉拟合指数加权检验统计量的程序，在ACIC 2016、IHDP和Twins基准上减少误选。
AI解读：在因果推断中，异质性处理效应（HTE）估计器的选择长期受困于一个根本矛盾：估计目标（个体处理效应）本身无法被观测，因此难以像普通模型那样用真值直接比较优劣。这篇arXiv论文把估计器选择重新定义为多重检验问题，并设计了一套无需真值的程序——通过交叉拟合的指数加权检验统计量，配合双向样本划分把干扰参数估计与权重学习分离，从而在温和条件下从渐近上控制族wise错误率。实验显示，在ACIC 2016、IHDP和Twins三个标准基准上，该方法相比常用方法能显著减少错误选择。对研究者而言，这意味着在选择HTE估计器时不再依赖模拟真值或强先验，多了一个有理论保证的客观筛选工具；对应用方，更可靠的估计器选择有助于减少后续政策或干预决策中的偏差。不过，方法目前只有渐近性质保证，实验规模有限，实际应用仍需谨慎评估适用条件。
arXiv论文《Reliable Selection of Heterogeneous Treatment Effect Estimators》提出一种无需真实处理效应的HTE估计器选择程序。作者Jiayi Guo和Zijun Gao将估计器选择表述为多重检验问题，引入基于交叉拟合、指数加权检验统计量的程序。该方法采用双向样本划分方案，将干扰参数估计与权重学习分离，以保证有效推断所需的稳定性。基于稳定性中心极限定理，作者在温和正则条件下证明了渐近族wise错误率控制。实验结果显示，在ACIC 2016、IHDP和Twins基准上，该方法相比常用方法能可靠控制错误并大幅减少误选。论文于2025年11月23日首次提交，2026年9月3日更新第二版（arXiv:2511.18464v2）。