苏晓刚;约瑟夫·康;范娟娟;理查德·莱文（Richard A.Levine）。;严，欣 促进大型观察研究的得分和因果推理树。 （英语） Zbl 1433.68382号 J.马赫。学习。物件。 13, 2955-2994 (2012). 总结：在观察性研究中评估治疗效果是一个多方面的问题，不仅涉及治疗或病因如何暴露于受试者的异质机制，即倾向，还涉及不同亚人群的差异因果效应。我们引入了一个称为促进评分的概念，以解释协变量对治疗效果的混淆和交互影响。讨论了几种估算便利分数的方法。特别是，我们提出了一种称为因果推理树（CIT）的机器学习方法，以提供便利分数的分段常量近似。通过可解释的规则，CIT以这样一种方式分割数据，即倾向和治疗效果在每个结果分区中变得更加均匀。可以根据CIT进行不同层次的因果推断。CIT与聚合分组程序一起，将数据分层到各个层中，以便在每个层中评估因果影响。此外，集合CIT模型为预测个体因果效应（ICE）提供了一种可行的方法。分层结果和估计的ICE都提供了对因果效应异质性的评估，并可用于估计平均因果效应（ACE）。还建立了CIT的均方一致性。我们通过仿真评估了所提方法的性能，并用新南威尔士州的数据说明了它们的使用[R.H.Dehejia先生和S.Wahba公司《非实验研究中的因果效应：重新评估培训计划的评估》，《美国统计学会杂志》第94卷第448期，第1053–1062页（1999年；doi:10.1080/01621459.1999.10473858)]其中，目标是评估劳动培训计划、国家支持工作（NSW）示范对干预后收入的影响。 引用于7文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 62G05型 非参数估计 62G10型 非参数假设检验 62页第10页 统计学在生物学和医学中的应用；元分析 关键词：汽车;因果推理;混淆;相互作用;观察性研究;个性化医疗;递归分区 软件：MatchIt匹配 PDF格式BibTeX公司 XML格式引用 \textit｛X.Su｝等人，J.马赫。学习。第13号决议，2955--2994（2012年；Zbl 1433.68382） 全文： 链接