预测个体治疗效果的共形蒙特卡洛元学习器
内容提要
该文综述基于机器学习的条件平均处理效应（CATE）估计方法，涵盖X-learner、因果森林、因果BART等元学习器，以及符合性预测推断、隐私保护分布式学习等新框架，并探讨异质效应与个体处理效应的区间估计及敏感性分析。
延伸解读
元学习器与专用模型的适用场景
文章梳理了X-learner、因果森林、因果BART等条件平均处理效应估计方法。X-learner适用于处理组与对照组样本量不平衡或效应异质性强的场景；因果森林和因果BART则能直接输出个体效应估计并量化不确定性。读者可根据数据结构和推断目标选择合适工具，而非盲目追求复杂模型。
符合性预测提供个体效应区间
基于符合性预测的推断框架能在潜在结果模型下为反事实和个体处理效应生成可靠区间估计，且不依赖强分布假设。该方法适用于完全随机、分层随机试验及满足强忽略性的观测研究，为个体化决策提供了比点估计更丰富的风险信息，但需注意其有效性依赖于可交换性假设。
隐私保护与分布式学习的进展
数据协作双重机器学习（DC-DML）被提出用于在分布式数据上估计CATE模型，同时保护隐私。这回应了多中心研究中数据不能集中共享的现实约束。读者应关注此类方法在通信成本、隐私预算与估计精度之间的权衡，以及其在实际部署中的可行性。
敏感性分析与异质性检验的重要性
文章强调了个体处理效应敏感性分析的必要性，尤其是混杂因素强度的量化。在观测研究中，未测混杂可能严重扭曲CATE估计。通过敏感性分析可以评估结论的稳健性，避免过度解读异质性效应。实证案例显示所有观测值均有正向处理效应，但效应异质性存在，提示需谨慎推广。
Q&A
什么是条件平均处理效应（CATE）？
条件平均处理效应（CATE）是在给定协变量下，处理对结果的因果效应的条件期望，用于衡量异质性处理效应。
有哪些常用的元学习器可以用来估计CATE？
常用的元学习器包括X-learner、Doubly-Robust、R-learner、T-learner，以及因果森林、因果BART等。
如何为个体处理效应提供可靠的预测区间？
可以使用符合性预测程序，在条件平均处理效应的元学习器上发出处理效应的预测区间，从而提供可靠的区间估计。
在分布式数据中如何保护隐私并估计CATE？
可以采用数据协作双重机器学习（DC-DML）方法，用于估计具有隐私保护的分布式数据的CATE模型。
个体处理效应的敏感性分析有哪些方法？
基于预测推断的模型自由框架可用于探究个体治疗效果的敏感性分析，特别关注混杂因素强度量化和反事实的可靠预测推断。
元学习器在估计CATE时有哪些实际应用案例？
实际应用案例包括小额信贷可利用性和401(k)养老计划资格的影响评估，研究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。
