1. 项目概述：从“平均有效”到“对谁有效”的范式转变

在药物研发、政策评估乃至市场营销的无数场景中，我们最常听到的结论是：“该疗法/政策/产品在 平均 上具有显著效果。” 然而，作为一名长期混迹于数据科学和因果推断一线的从业者，我深知“平均有效”这四个字背后，往往隐藏着巨大的异质性。一个对总体人群效果平平的药物，可能对某个特定基因型的患者有奇效；一项看似无效的经济刺激政策，或许能精准提振特定行业从业者的信心。真正有价值的问题从来不是“是否有效”，而是“ 对谁有效 ”。这就是亚组选择（Subgroup Selection）或个性化策略学习（Policy Learning）的核心使命。

传统方法在这个问题上走得步履维艰。要么，你采用数据分割（Data Splitting），用一部分数据寻找亚组，另一部分数据验证，但这样会白白浪费一半的样本信息，在数据宝贵的场景下无异于自断一臂。要么，你依赖强假设的模型（比如线性模型）来同时进行发现和推断，但这等于提前放弃了利用复杂机器学习模型捕捉微妙非线性关系的能力。更棘手的是，如果你先用全部数据拟合一个强大的黑盒模型（比如深度网络或随机森林）来寻找潜在受益群体，再用同一批数据去做统计检验，那么你得到的p值将严重失真，因为模型已经“偷看”了答案。这就像先射箭再画靶，然后宣称自己百发百中一样，在统计学上是无效的。

最近接触到哈佛与斯坦福团队提出的 Chiseling 框架，让我眼前一亮。它巧妙地引入了一种 交互式机器学习 的范式，允许分析师像雕塑家一样，一边观察数据，一边“雕刻”出最终的亚组，并且整个过程能提供严格的统计保证。其核心思想异常精妙： 你只能利用当前候选亚组“外部”的数据来指导如何收缩这个亚组，而亚组“内部”的数据则被完好地保存下来，用于最终的无偏推断。 这样一来，你既可以利用所有数据来灵活地、迭代地优化亚组，又不会污染最终的统计检验。这个框架在随机化实验等场景下，仅需非常弱的假设（如结果变量的矩有界），就能保证最终报告的亚组其平均处理效应高于某个阈值的概率是可控的。在模拟和实际数据分析中，它相比传统的数据分割方法，能识别出效用（Utility）显著更高的亚组。

2. 核心思想拆解：为什么“只看外面”就能保证“里面干净”？

要理解Chiseling的魔力，关键在于理解其“无污染”（Untarnished）子样本的概念。这是整个方法统计有效性的基石。

2.1 “无污染”子样本：统计推断的圣杯

设想一个固定的、预先指定的亚组R。如果我们想推断这个亚组内的平均处理效应，我们只需要看落在R内的那些数据点 (Xi, Yi) for Xi in R 。因为这些点是从总体分布 (X, Y) | X in R 中独立同分布抽样得到的，所以任何标准的统计方法（如t检验、置信区间）都可以直接应用，其有效性是教科书级别的。

现在问题来了：如果亚组R是根据数据 自适应选择 的呢？比如，我们用了一个复杂的机器学习模型，根据全部数据的模式，“猜”出了一个可能受益的群体R。此时，落在R内的数据点就不再是“无辜”的了——模型在选择R时已经“看”过它们，因此这些点之间、以及它们与选择规则之间产生了复杂的依赖关系。直接用它们做推断，就会导致严重的“选择偏差”（Selection Bias）或“过拟合”（Overfitting），使得p值过于乐观，置信区间过窄。

Chiseling的核心突破在于，它定义并构造了一种特殊的数据依赖亚组，使得 在给定某些信息后，亚组内的数据点仍然表现得像一个来自条件分布的干净样本 。具体来说，如果一个数据依赖的亚组R关于某个信息集F是“无污染”的，那么意味着：

1. R本身和其中数据点的数量n(R)是F可测的（即，知道了F，你就知道了R是啥样，里面有多少点）。
2. 在已知F的条件下 ，亚组内的样本 (Xi, Yi)i: Xi∈R 的联合分布，等同于从总体分布 (X, Y) | X ∈ R 中独立抽取n(R)个样本的分布。

这第二条性质是黄金标准。它保证了，尽管R是根据数据选的，但只要你站在“上帝视角”F（即知道了某些特定信息），那么R内部的数据对于推断R的性质来说，仍然是完美、无偏的样本。

2.2 交互式雕刻：如何构造“无污染”亚组？

那么，如何构造这样一个神奇的、数据依赖却又“内部干净”的亚组呢？Chiseling的策略是 迭代收缩 ，并且 收缩的方向仅由当前亚组外部的数据决定 。

我们从一个最大的候选亚组开始，比如整个协变量空间 R0 = X 。此时我们没有任何数据信息（ F0 是平凡σ-代数）， R0 显然是“无污染”的。

第一步：观察与决策（仅使用外部信息） 。我们被允许查看当前亚组 Rt 外部 的所有数据点 (Xi, Yi)i: Xi∉Rt 。基于这些外部数据，我们可以动用任何先验知识、领域经验或机器学习算法，来设计一个“评分函数” f(x) 和一个“截断值” c 。直观上， f(x) 可以是我们基于外部数据训练的、对个体处理效应 µ(x) = E[Y|X=x] 的估计。 c 是一个阈值，用于控制收缩的幅度。

第二步：执行收缩（产生新亚组） 。新的亚组 Rt+1 通过以下规则从 Rt 收缩得到： Rt+1 = { x in Rt : f(x) > z } 其中 z = min( c, min_{i: Xi in Rt} f(Xi) ) 。

这个规则需要仔细品味：

• min_{i: Xi in Rt} f(Xi) 是当前亚组 Rt 内部 所有数据点的评分最小值。收缩会一直进行，直到至少有一个内部数据点因为评分低于阈值 z 而被“踢出”亚组。
• 截断值 c 给了分析师额外的控制权。例如，如果我们只关心正效应，可以设 c=0 ，这样收缩永远不会产生一个评分函数值低于0的亚组，即使内部所有点的评分都高于0。
• 关键所在 ：收缩的规则（即 f(x) 和 c ） 完全由当前亚组外部的数据（即信息集 Ft ）决定 。我们完全没有偷看 Rt 内部的数据来制定如何收缩 Rt 。

第三步：揭示与更新 。那些被“踢出”亚组的点（即从 Rt 进入 Rt\Rt+1 的点）被揭示出来，加入到我们的信息集 Ft 中，形成新的信息集 Ft+1 。

这个过程可以不断重复。 定理3.2 保证了这种操作的神奇性质：如果 Rt 关于 Ft 是无污染的，那么通过上述方式收缩得到的 Rt+1 ，关于更新后的信息集 Ft+1 ，仍然是 无污染 的。

实操心得 ：你可以把整个过程想象成雕刻一块大理石。初始的巨石 R0 是整个样本空间。雕刻家（分析师）只能通过观察已经凿下来的碎屑（外部数据）来判断石头的纹理和内部可能的结构，并决定下一凿子往哪里下。每一凿子下去，都会露出新的断面（揭示新的数据点），为下一轮决策提供信息。但最关键的是， 雕刻家永远无法直接看到尚未被凿开的石头内部（亚组内部数据）来指导雕刻 。最终，当雕刻家认为作品已经完美（或者根据某个统计检验决定停止）时，剩下的部分 R_final 就是最终亚组。而由于雕刻规则从未依赖内部信息，最后剩下的这块“核心”石头，其材质（内部数据分布）对于评估其价值（平均处理效应）来说，仍然是未被污染的、可靠的样本。

2.3 与数据分割的直观对比

为了��直观地理解Chiseling的优势，让我们把它和经典的数据分割（Data Splitting）做个对比。

传统数据分割 ：

1. 将数据随机分成训练集（比例p）和测试集（比例1-p）。
2. 用训练集数据训练一个机器学习模型 f_train(x) 来估计CATE。
3. 用这个模型在整个样本空间上定义一个亚组： R_ds = {x: f_train(x) > 0} 。
4. 使用 独立的测试集 中落在 R_ds 内的数据点，对 µ(R_ds) 进行统计检验。

这种方法的问题是，训练模型只用到了p比例的数据，浪费了(1-p)比例的数据。此外，一旦分割比例p确定，模型质量就固定了。

Chiseling视角下的数据分割 ： 我们可以把数据分割重构为一个特殊的、僵化的Chiseling过程：

1. 初始信息 F0 包含训练集的索引（即我们知道哪些点是训练集）。
2. 我们用训练集数据训练模型 f_train(x) ，并设 c=0 。
3. 从 R0 = X 开始，我们反复用同一个 f_train(x) 和 c=0 进行收缩，直到无法再收缩（即所有留在亚组内的测试集点的预测值都>0）。这个最终亚组就是 R_ds 。
4. 用测试集中落在 R_ds 内的点做检验。

在这个重构中，数据分割的“训练集”对应Chiseling中 始终未被揭示、仅用于指导收缩的外部数据 。而“测试集”则对应最终用于推断的、 亚组内部的数据 。

Chiseling的改进 ： Chiseling打破了数据分割的僵化模式。在每一轮收缩后，新被揭示的点（从亚组中被移除的点）会加入到我们的“知识库”中。在下一轮，我们可以 基于所有已知的外部数据（包括最初的训练集和新揭示的点）重新训练或更新我们的评分函数 f(x) 。这意味着：

• 模型越用越聪明 ：随着过程推进，用于指导收缩的模型可以利用的数据越来越多，因此对CATE的估计会越来越准，收缩方向也更优。
• 更灵活的数据利用 ：我们不必一开始就硬性分割数据。理论上，如果有很强的先验信息（例如，基于历史数据的预训练模型），我们甚至可以从 p=0 开始（即没有初始训练集），完全依靠迭代揭示的数据来优化亚组。这尤其适合小样本场景。
• 动态调整 ：如果发现早期收缩方向不理想，我们可以根据新看到的数据，完全改变评分函数（比如从线性模型切换到随机森林），只要新函数的定义不依赖于当前亚组内部的数据即可。

图2中的模拟结果清晰地展示了这种优势：在相同的初始分割比例 p 下，Chiseling（动态更新模型）始终比静态的数据分割找到效用更高的亚组。而且，Chiseling在较小的 p 下就能达到数据分割在较大 p 下才能达到的效用，这意味着它可以把更多数据留给最终的精确推断。

3. 统计推断引擎：如何分配α错误预算并做出决策？

找到了构造“无污染”亚组序列的方法只是第一步。我们最终需要在某个时刻停止收缩，并报告一个亚组 R_t ，同时要保证 P(µ(R_t) ≤ µ_cut) ≤ α 。这涉及到如何在多个备选的亚组（ R0, R1, ..., Rm ）上进行测试，并控制整体第一类错误（错误地报告一个无效亚组）。

3.1 条件有效性检验

由于每个 Rt 关于 Ft 都是无污染的，我们可以为每个 Rt 构造一个基于其内部数据的检验。例如，一个经典的选择是使用基于中心极限定理的t检验。定义零假设 H_t: µ(R_t) ≤ µ_cut 。 我们可以计算亚组 Rt 内的样本均值 \bar{Y}_t 和样本标准差 s_t ，构造t统计量。由于在 Ft 条件下， Rt 内部数据是i.i.d.的，因此这个t检验在 Ft 条件下是（渐近）有效的。也就是说，如果 H_t 为真，那么： P( 检验在水平α下拒绝 H_t | F_t ) ≤ α (几乎处处成立)。

这被称为 条件有效性 。它为我们在每一步提供了一个有效的“快照”检验。

3.2 α消耗函数与序贯检验

我们不能对每一个 t 都做一个水平为α的检验，然后报告第一个拒绝的亚组。那样会严重膨胀整体第一类错误（多重检验问题）。我们需要一种方式来序贯地“花费”我们的α错误预算。

Chiseling采用了一种灵活且强大的策略： α消耗函数 。分析师需要预先指定一个非负的随机过程 α_t ，它是 F_t 可测的，并且满足预算约束： ∑_{t=0}^{∞} α_t ≤ α (几乎处处成立)。 α_t 可以理解为在步骤 t ，我们愿意为检验 H_t 所“花费”的α水平。

算法1（Chiseling主流程） 的核心步骤就是：

1. 在步骤 t ，基于当前信息 F_t ，选择本次检验的显著性水平 α_t （确保总预算不超）。
2. 对 H_t: µ(R_t) ≤ µ_cut ，使用一个条件有效的水平 α_t 检验 φ_t （例如，一个条件p值小于 α_t 就拒绝的检验）。
3. 如果 φ_t 拒绝，则立即停止并报告当前亚组 R_t 。
4. 如果 φ_t 不拒绝，则调用 算法2 （区域收缩子程序）来获得下一个亚组 R_{t+1} ，并更新信息集。

如果循环结束（例如达到预设的最大步数 m ）仍未拒绝任何假设，则报告空集 ∅ 。

定理3.5 保证了，只要检验是条件有效的，且α预算被遵守，那么整个程序就能控制整体第一类错误： P(最终报告的亚组R满足 µ(R) ≤ µ_cut) ≤ α 。

注意事项 ：α消耗函数的选择是一门艺术，直接影响检验的势（Power）。一个简单的策略是使用“α-消耗”类函数，如 α_t = α * γ_t ，其中 γ_t 是预定义的权重序列，满足 ∑ γ_t = 1 。更激进的策略可能会在早期分配较少的α，期待后期在更精细、效应可能更大的亚组上进行检验。这需要结合具体问题的先验知识。

3.3 实用检验构造：在线排序与鞅方法

在实际操作中，我们不仅需要条件有效的检验，还需要能够在线计算、适应数据依赖样本量的检验。Chiseling框架可以与多种现代序贯检验方法结合。

一种非常有效的方法是构造一个 非负上鞅 。例如，对于 H_t: µ(R_t) ≤ µ_cut ，我们可以基于亚组 R_t 内部的数据，构造一个过程 M_t(λ) ，使得当 µ(R_t) ≤ µ_cut 时， M_t(λ) 关于信息流 F_t 是一个上鞅。然后，通过 Ville不等式，我们可以得到： P( ∃ t: M_t(λ) ≥ 1/α_t ) ≤ α 这意味着，如果我们定义停止时间 τ = inf{ t: M_t(λ) ≥ 1/α_t } ，并在 τ 时刻拒绝 H_τ ，那么整体第一类错误就被控制在α以内。

具体构造 M_t(λ) 的方法有很多。对于二值结果，可以使用基于似然比的检验。对于连续结果，可以基于样本均值构造。论文中提到了利用 中心极限定理 和 自助法 来构造有效检验的方法，这些方法在样本量适中时表现稳健。

实操步骤示例（基于t检验的简化版） ： 假设我们采用简单的α均匀消耗， α_t = α / (m+1) ，并使用基于正态近似的单边t检验。

1. 在步骤 t ，计算 R_t 内数据的样本均值 \bar{Y}_t ，样本标准差 s_t ，样本量 n_t 。
2. 计算t统计量： T_t = (\bar{Y}_t - µ_cut) / (s_t / \sqrt{n_t}) 。
3. 计算（条件）p值： p_t = 1 - Φ(T_t) ，其中Φ是标准正态CDF。
4. 如果 p_t < α_t ，则拒绝 H_t ，报告 R_t 。
5. 否则，进行收缩，进入步骤 t+1 。

虽然这个t检验在 n_t 较小时可能不够精确，但因其简单直观，常���为基线方法。更精细的方法会考虑小样本校正或使用更稳健的序贯检验构造。

4. 实战指南：从理论到代码的落地细节

理解了原理，我们来看看如何具体实现一个Chiseling分析。以下我将结合Python伪代码和关键考量，拆解整个流程。

4.1 初始信息与评分函数设计

初始信息 ( F0 ) ：这是启动Chiseling的“燃料”。最常见的情况是 没有先验信息 ，此时 F0 是平凡的。我们可以通过一个初始的数据分割来获得启动信息：随机留出一小部分数据（比如10%）作为“初始外部数据”，用于训练第一轮的评分函数 f_0(x) 。剩下的90%数据则作为初始亚组 R0 （实际上是整个数据集减去那10%）。这等价于传统数据分割，但后续我们可以利用揭示的数据进行迭代改进。

如果有先验信息 ：例如，有一个在历史数据上预训练好的CATE预测模型。那么我们可以直接使用这个模型作为初始的 f_0(x) ，而无需初始数据分割。这是Chiseling相比数据分割的一大优势——它能够无缝融合领域知识。

评分函数 f(x) 的选择 ：这是决定亚组质量的关键。目标是让 f(x) 尽可能接近真实的CATE µ(x) 。在因果推断中，我们可以使用任何基于协变量 X 和结果 Y （以及处理变量 W ，在观察性研究中还需要倾向得分）的机器学习方法来估计CATE。流行的选择包括：

• S-Learner ：将处理变量 W 作为特征放入模型，预测 Y ，然后计算 f(x) = \hat{m}(x, W=1) - \hat{m}(x, W=0) 。
• T-Learner ：分别对处理组和对照组训练两个模型，然后相减。
• DR-Learner (Doubly Robust Learner) ：结合倾向得分和结果回归，得到更稳健的估计。
• 基于树的模型 ：如因果森林（Causal Forest），专门为估计异质性处理效应设计。
• 神经网络 ：适用于高维、复杂非线性关系。

在Chiseling的每一步，我们都可以用当前所有 已揭示的外部数据 重新训练或微调这个评分函数。例如，开始时用10%的数据训练一个简单模型，随着更多数据被揭示，我们可以用更大的数据集重新训练一个更复杂的模型。

# 伪代码示例：评分函数更新策略
def update_scoring_function(F_t, all_data):
    """
    F_t: 当前信息集，包含了所有已被揭示的数据点索引。
    all_data: 完整数据集 (X, Y, W)。
    """
    # 1. 获取当前已揭示的外部数据（即不在当前亚组Rt内的数据）
    # 注意：在实际Chiseling流程中，Rt是动态的。这里假设我们有一个全局变量记录当前Rt。
    external_indices = get_external_indices(F_t, current_Rt)
    external_data = all_data[external_indices]

    # 2. 基于外部数据训练CATE估计模型
    # 这里以T-Learner为例
    treated_data = external_data[external_data['W'] == 1]
    control_data = external_data[external_data['W'] == 0]

    model_treated = RandomForestRegressor().fit(treated_data[['X1', 'X2']], treated_data['Y'])
    model_control = RandomForestRegressor().fit(control_data[['X1', 'X2']], control_data['Y'])

    # 3. 定义评分函数 f(x)
    def scoring_function(x):
        # x 可以是一个点或一个数组
        return model_treated.predict(x) - model_control.predict(x)

    return scoring_function

4.2 收缩策略与截断值c

收缩方向 ：通常，我们按照评分函数 f(x) 的值从低到高进行收缩。即，在每一步，我们将当前亚组 Rt 中 f(x) 值最小的点（或区域）剔除。其直觉是：我们优先剔除那些预测处理效应最差（或最可能无效）的个体，从而希望保留下的亚组具有更高的平均效应。

截断值 c ：这是一个重要的控制参数。

• 如果设 c = µ_cut （例如0），那么我们保证最终亚组中所有点的 预测 效应都大于 µ_cut 。这能提高亚组的“纯度”，但可能因为模型预测误差而过度收缩。
• 如果设 c = -∞ ，则收缩完全由数据驱动，直到没有点可剔除（即所有内部点的评分都相等）。这给了算法最大灵活性。
• 也可以设置 c 为一个保守的估计下界，比如基于历史数据的某个百分位数。

在实践中， c 可以固定，也可以根据已揭示的数据动态调整。例如，如果发现早期被剔除的点其真实结果 Y 普遍很差，可以适当调低 c 以进行更激进的收缩。

4.3 停止规则与α预算分配

最大步数 m ：需要预先设定一个最大迭代次数，防止无限循环。 m 可以设为样本量 n ，因为最多收缩 n 次亚组就会变空。

α消耗函数 α_t ：这是影响检验势的核心。除了简单的均匀分配 ( α_t = α/(m+1) )，还有一些更高效的策略：

1. 几何序列 ： α_t = α * γ * (1-γ)^t ，其中 γ∈(0,1) 。这会在早期分配更多α，适合信号较强的情况。
2. 基于信息量的自适应分配 ： α_t 可以与当前亚组 R_t 的样本量 n_t 或估计的效应大小挂钩。例如， α_t ∝ sqrt(n_t) ，因为样本量越大，检验通常越有力。
3. 保守的“开销”函数 ：如 α_t = α / (m+1-t) ，这是在线错误发现率控制中常用的“开销”函数，能保证在任何停止时间都有足够的α余量。

选择哪种策略取决于具体问题。一个稳健的起点是使用均匀分配或一个缓慢衰减的几何序列。

停止与报告 ：一旦某个 H_t 被拒绝，立即停止并报告 R_t 。如果遍历所有 t 都未拒绝，则报告空集，表示未找到足够证据支持存在平均效应大于 µ_cut 的亚组。

4.4 可解释性与可视化

Chiseling找到的亚组可能是协变量空间中的一个复杂区域。为了提高可解释性，我们可以施加一些约束：

• 基于规则的收缩 ：不使用复杂的 f(x) ，而是使用简单的、可解释的规则，如“年龄 > 50 且 血压 < 140”。在每一步，我们基于外部数据选择一条规则来收缩亚组。
• 投影到重要变量 ：在收缩过程中，只允许基于少数几个预先选定的、具有临床或业务意义的变量（如年龄、性别、关键生物标志物）进行决策。这样最终亚组可以用这些变量的阈值规则来描述。
• 事后解释 ：即使使用了黑盒模型 f(x) ，在得到最终亚组 R 后，我们可以用模型解释工具（如SHAP、LIME）来分析是哪些特征驱动了样本被包含在 R 中。

可视化对于理解Chiseling过程至关重要：

• 收缩路径图 ：在二维或三维的协变量空间中，可以动画展示亚组 R_t 如何随着迭代逐步收缩。
• 效用/样本量监控图 ：绘制每一步的估计效应 \bar{Y}_t 、亚组样本量 n_t 、以及当前检验的p值。这有助于理解算法的决策过程。
• 评分函数演变图 ：展示 f(x) 随着更多数据被揭示而更新的过程。

4.5 常见陷阱与调优技巧

1. 初始分割比例 p ：如果完全没有先验信息，初始分割是必要的。 p 太小，初始模型太差，可能引导至错误的方向； p 太大，留给最终推断的样本量不足。建议通过交叉验证或模拟研究，在 p=0.1 到 p=0.3 之间进行尝试。Chiseling对初始 p 的鲁棒性通常优于数据分割。
2. 评分函数过拟合 ：尽管我们只用外部数据训练模型，但如果外部数据量很少（尤其在早期），模型可能过拟合，导致收缩方向不稳健。应对策略包括：使用正则化强的简单模型开局（如Lasso、浅层树），随着数据积累再切换到复杂模型；或者使用集成方法（如Bagging）来稳定预测。
3. 亚组样本量过小 ：在收缩后期， R_t 内的样本量 n_t 可能变得很小，导致检验效力不足，或者基于正态近似的检验失效。建议设置一个最小样本量阈值（如 n_min=30 ），当 n_t 低于该阈值时，停止收缩并报告当前亚组（如果检验已拒绝）或空集。对于小样本推断，考虑使用精确检验（如排列检验）或基于自助法的检验。
4. 多重共线性与变量选择 ：如果协变量 X 维度很高且存在共线性，评分函数 f(x) 可能不稳定。建议在训练前进行变量筛选或使用正则化方法。在Chiseling框架下，甚至可以尝试不同的变量子集，只要选择过程基于外部数据即可。
5. 处理缺失数据 ：现实数据常有缺失。需要在分析前妥善处理。一种策略是使用多重插补生成多个完整数据集，在每个数据集上独立运行Chiseling，然后合并结果（例如，取亚组的交集，或对效应估计进行平均）。需注意确保插补模型不使用未来信息。
6. 计算效率 ：每一步都重新训练模型可能计算量大。可以采取以下优化：a) 使用增量学习算法（如在线梯度下降）；b) 每隔几步（而不是每一步）重新训练模型；c) 对于基于树的模型，使用 warm_start 参数进行微调而非从头训练。

5. 超越平均处理效应：扩展与应用场景

Chiseling框架的核心思想——通过迭代地、基于外部信息地收缩区域，同时保持内部样本的无污染性——具有相当的通用性，可以扩展到许多相关问题。

5.1 处理其他类型的参数

虽然论文主要关注平均处理效应 µ(R) = E[Y | X∈R] ，但框架可以推广到任何可以表示为 θ(R) = E[ψ(X, Y) | X∈R] 的参数，其中 ψ 是一个已知函数。

• 分位数处理效应 ：令 ψ(X, Y) = 1{Y ≤ q} - τ ，则 θ(R) 是亚组内结果Y的τ分位数。这可用于寻找对尾部风险（如极端不良事件）有显著影响的亚组。
• 方差或其他高阶矩 ：可以评估处理对结果变异性的影响。
• 比例或比值 ：在生存分析中，可以关注风险比。

关键是需要为感兴趣的参数 θ(R) 构造一个条件有效的检验。通常可以通过基于估计方程或自助法的方法来实现。

5.2 观察性研究与混杂控制

在随机对照试验中，由于处理是随机分配的，IPW变换后的 Y （公式1）其条件期望就是CATE。在观察性研究中，处理分配可能依赖于协变量，存在混杂。此时，我们需要估计倾向得分 e(X) = P(W=1|X) ，并使用增强的IPW（AIPW）或双重稳健（DR）变换来构造 Y ： Y_DR = [W(Y - m1(X))/e(X) + m1(X)] - [(1-W)(Y - m0(X))/(1-e(X)) + m0(X)] 其中 m1(X), m0(X) 是处理组和对照组的结果回归模型。在满足无混淆、重叠等标准因果假设下， E[Y_DR | X] = CATE 。Chiseling框架可以直接应用于变换后的结果 Y_DR 。需要注意的是，由于 Y_DR 的估计涉及模型拟合，其不再严格独立同分布，可能会影响有限样本下的有效性。论文附录D.5讨论了使用样本分割来拟合倾向得分和结果模型以保持独立性的方法。

5.3 多臂处理与动态策略

当前框架聚焦于二值处理（处理 vs. 对照）。可以扩展到多臂处理（A1, A2, ..., Ak），目标是找到对特定处理 Aj 有最佳响应的亚组。我们可以为每一对处理 (Ai, Aj) 定义一个对比，然后同时或序贯地应用Chiseling来识别最优处理策略。

更进一步，可以结合强化学习中的策略优化思想。Chiseling本质上是在学习一个静态的、基于协变量的处理策略（“如果X在R内，则给予治疗”）。可以设想一个动态版本，在多个时间点上序贯决策，每一轮的“亚组”是基于当前状态和历史信息的动态策略。

5.4 与Conformal Inference的结合

Conformal Inference（保形推断）是另一种提供分布自由、有限样本保证的推断框架，常用于预测区间。一个有趣的方向是将Chiseling与Conformal Inference结合，为亚组内的个体水平处理效应提供预测区间，而不仅仅是亚组平均效应的检验。例如，可以保证以高概率，亚组R内至少有(1-ε)比例的个体其处理效应大于某个阈值。

6. 总结与个人体会

Chiseling框架为高维、复杂数据下的可控亚组发现提供了一个强大而优雅的解决方案。它将交互式机器学习的思想引入统计推断，在探索性分析与验证性分析之间架起了一座桥梁。其“外部数据指导收缩，内部数据保持纯净”的核心原则，为解决“用同一数据既发现又验证”这一经典难题提供了新的范式。

在实际应用中，我发现以下几点尤为关键：

• 领域知识的融入 ：Chiseling的灵活性允许分析师在每一步注入领域知识。例如，在医疗场景，可以先基于已知的生物通路相关基因进行收缩，然后再利用数据驱动的方法细化。这种“人机协同”的模式往往能产生既 statistically sound 又 clinically meaningful 的发现。
• 计算与统计的权衡 ：虽然理论上我们可以每一步都重新训练最复杂的模型，但计算成本可能很高。在实践中，我通常从一个中等复杂度的模型开始（如梯度提升树），并设置一个重新训练的间隔（如每揭示5%的数据再训练一次）。同时，监控亚组样本量和估计效应的稳定性，避免过度收缩。
• 透明性与可解释性 ：尽管最终亚组可能来自黑盒模型，但整个收缩过程是透明的。我们可以记录每一步被剔除的点及其特征，这本身提供了关于“谁被排除在外”的丰富信息，有助于理解亚组的边界和形成机制。
• 对弱信号的敏感性 ：在信号很弱（即真正受益亚组很小或效应量很低）的情况下，Chiseling相比数据分割的优势更为明显。因为它能更有效地利用所有样本信息来“聚焦”于潜在信号区域。

当然，没有银弹。Chiseling要求分析过程是顺序的、交互的，这可能不适合完全自动化的流水线。此外，对于超高维数据（如基因组学），如何设计有效的评分函数和收缩策略仍然是一个挑战。但无论如何，它为我们在大数据时代进行可靠、灵活、可解释的个性化决策研究，提供了一件极为锋利的统计“凿子”。正如其名，精雕细琢，方见真章。