분포적 치료 효과(Distributional treatment effects)는 평균값만으로는 감지되지 않을 수 있습니다. 즉, 어떤 치료가 평균 결과는 유지하면서 꼬리(tails), 최빈값(modes), 분산(dispersion), 또는 희귀 사건 확률을 변화시킬 수 있기 때문입니다. 커널 검정(Kernel tests)은 개입된 결과 법칙(interventional outcome laws) 간의 불일치를 감지할 수 있지만, 전역적 검정(global tests)으로는 그 법칙들이 어디에서 다른지를 보여주지는 못합니다. 본 논문에서는 해석 가능한 분포적 치료 효과를 위한 준모수적으로 효율적인 유한 위치(finite-location) 검정인 DR-ME를 제안하며, 이는 저희가 아는 한 최초의 방법론입니다. DR-ME는 학습된 결과 위치에서 개입 커널 증인(interventional kernel witness)을 평가하여, 단순히 전역적 기각 여부만 반환하는 것이 아니라 인과적 불일치 좌표(causal-discrepancy coordinates)를 반환합니다. 관측 데이터로부터 우리는 직교한 이중 강건 커널 특징(orthogonal doubly robust kernel features)을 도출하며, 그 중심화된 오라클 형태는 이 유한 증인의 표준 그래디언트가 됩니다. 고정된 위치에 대해, 우리는 국소 검정 한계(local testing limit)를 특성화합니다: DR-ME는 귀무 가설 하에서 카이제곱($ ext{chi-square}$) 보정이 되며, 비중심 카이제곱(noncentral chi-square) 국소 검정력을 가지며, 선택된 좌표를 통해 보이는 불일치에 대한 국소 신호 대 잡음비(local signal-to-noise)를 최적화하는 공분산 화이트닝(covariance whitening)을 사용합니다. 이러한 효율적인 국소 검정력 기하학은 원칙적인 위치 학습 기준(principled location-learning criterion)을 제공하며, 샘플 분할(sample splitting)은 사후 선택 유효성(post-selection validity)을 보존합니다. 실험 결과는 거의 공칭적 제1종 오류율(near-nominal type-I error), 전역적 이중 강건 커널 검정 대비 경쟁력 있는 검정력, 그리고 준합성 의료 영상 연구에서 분포적 효과를 국소화하는 해석 가능한 학습 위치를 보여줍니다.