混合治疗效果的合成潜在结果

本文研究了从时事件数据中推断异质性处理效应的问题，提出了一种基于平衡表示的新型深度学习方法来解决协变量偏移问题。

该研究开发了一种特征选择方法，考虑每个特征值对异质性治疗效果估计的影响，并学习相关部分的因果结构。

研究结果表明，该方法在任意潜在因果结构下均优于现有的数据驱动异质性治疗效果估计方法，降低了估计误差。

提出了一种不依赖反事实数据的模型选择技术，针对二元处理条件下的条件平均处理效应（CATE）估计问题进行了广泛实证分析。

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。

研究了异质性治疗效应在个性化医学中的应用，提出了一种潜变量方法用于模拟异质性治疗效果。

提出了一种基于先前观测数据的分治处理分析方法，用于排列最有可能受益于新干预措施的人群。

利用支持向量机分类器进行异质性治疗效应评估的方法优于常用替代方法，适用于社会项目和医疗方案的疗效评估。