本研究提出了一种新方法“合成潜在结果”（SPOs），旨在解决因果推断中的异质性处理效应问题。该方法能够识别混合处理效应（MTEs），并简化可辨识性要求。同时，研究探讨了在高维数据中学习条件平均处理效应（CATE）的方法，提出了新的区间估计器和元学习器B-Learner，以提高推断的有效性和准确性。

本文探讨了利用潜在变量建模和深度学习技术解决因果推断中的混淆因素问题，提出了NICE和TAHyper等新方法，以提高个体治疗效果的估计精度，并应对异质性处理效应的挑战。研究通过局部接近度和合成潜在结果等技术，展示了在动态时间设置中有效的因果推断能力。

本文提出了一种整体空间因果回归（ESCFR）方法，旨在解决观察数据中的治疗选择偏倚问题。该方法通过随机最优输运框架，结合协变量独立性约束，成功估计异质性处理效应，并在多个数据集上表现优于现有方法。

本文研究了异质性处理效应的推断，提出了一种新型深度学习方法以解决协变量偏移问题。通过特征选择和因果结构学习，该方法在真实数据中表现优于现有估计方法，降低了误差。同时，研究了模型选择技术和条件平均处理效应的估计，提出了双重残差回归方法和潜变量方法，以优化个性化医学中的治疗效果评估。