Mixture-of-Experts Models for Heterogeneous Treatment Effects with Propensity Score Adjustment
Estimating heterogeneous treatment effects in observational studies is challenging when subgroup structure is latent and treatment assignment is nonrandom. We propose a causal framework integrating a mixture-of-experts (MoE) outcome model with propensity score adjustment. The approach yields a doubly robust estimator for the average treatment effect (ATE) while simultaneously estimating latent subclass-specific effects through probabilistic gating functions. Simulation studies show that the method performs comparably to conventional estimators for pooled ATEs, while additionally recovering latent subclass effects under correct specification. We examine finite-sample and asymptotic properties and illustrate the approach using real data, where clinically meaningful responder and non-responder subgroups are identified.
Modèles de mélange d’experts pour les effets de traitement hétérogènes avec ajustement par score de propension
L’estimation des effets de traitement hétérogènes dans les études observationnelles est difficile lorsque la structure des sous-groupes est latente et que l’attribution du traitement est non aléatoire. Nous proposons un cadre d’inférence causale intégrant un modèle de type mélange d’experts (MoE) pour la réponse avec un ajustement par score de propension. L’approche fournit un estimateur doublement robuste de l’effet moyen du traitement (ATE) tout en estimant simultanément des effets spécifiques à des sous-classes latentes au moyen de fonctions de pondération probabilistes. Des études de simulation montrent que la méthode est comparable aux approches conventionnelles pour l’ATE global, tout en permettant la récupération des effets propres aux sous-classes sous spécification correcte. Nous examinons ses propriétés en échantillon fini et asymptotiques et illustrons son utilité à l’aide de données réelles, où des sous-groupes cliniquement pertinents de répondants et de non-répondants sont identifiés.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English