FAST: a Fused and Accurate Shrinkage Tree for Heterogeneous Treatment Effects Estimation

我们采用以下六个分类标准：

1. 数据来源：
   • 实验研究（随机对照试验 - RCTs）： 这类研究被视为评估因果效应的黄金标准，因为随机化过程最大程度地减少了混杂偏差。随机对照试验中，参与者被随机分配到不同的治疗组，从而平衡了潜在的混杂因素在各组之间的分布。
   • 观察性研究： 这类研究利用容易获得的数据，但需要强大的假设，如无混杂性假设，这在实践中往往难以验证。在观察性研究中，研究人员不干预治疗分配，而是观察自然发生的情况，因此更容易受到混杂因素的影响。
   • 数据融合： 这种方法结合了试验数据和观察数据，以利用两者的优势，旨在提高估计的准确性和稳健性。通过整合不同来源的数据，数据融合方法试图克服单一数据源的局限性，例如随机对照试验样本量小或观察性研究存在混杂偏差等问题。
2. 方法论：
   • 基于树的方法： 这些方法，如本文提出的FAST，递归地划分特征空间，以识别具有不同治疗效果的子组。基于树的方法通过不断将特征空间划分为更小的子区域，使得每个子区域内的治疗效果更加均匀，从而实现异质性治