显著性优先分割：统一效应异质性检测与诚实估计

核心问题：效应异质性检测与统计推断的固有张力 在因果推断中，准确估计条件平均处理效应（CATE）需同步完成两项任务：一是识别哪些协变量组合真正调节了处理效应（即检测效应修饰），二是为估计值提供有效、可解释的不确定性量化。现有基于树的方法难以兼顾二者：纯显著性分割法能直接捕捉交互信号但无法保证统计推断有效性；而诚实因果树虽能实现名义置信区间覆盖，却因采用不依赖结果的分割准则，严重削弱了对真实交互结构的识别能力。

方法创新：将统计显著性嵌入诚实估计框架 新算法通过三重机制实现协同优化： - 分割阶段使用处理×协变量交互项的平方 t 统计量（$t^2$）作为分裂准则，该指标在强交互情形下被理论证明与诚实估计下的均方误差（EMSE$_\tau$）最优准则一致； - 严格实施样本分割（honest splitting），确保分裂过程与后续估计所用数据独立； - 引入后验的诚实交叉验证，动态选择复杂度惩罚参数，避免主观调参，输出唯一、原则化的最终估计器。

推广与不确定性量化：面向森林结构的稳健方差估计 对于集成形式（如因果森林），算法保留各树的自助采样计数向量，支持使用无穷小Jackknife（IJ）方法评估蒙特卡洛估计的收敛稳定性。该设计绕开了传统方差估计对渐近正态性或同方差性的隐含假设，为高维、小样本或非标准分布场景提供更鲁棒的不确定性刻画。