Jan, 2017

利用随机森林方法估计观测数据中的个体治疗效果

PDF
TL;DR本研究旨在使用反事实框架结合随机森林 (RF) 来估计个体治疗效应，不受观察数据中共变量和选择偏差影响，并通过对比实验发现，针对共变量自适应的方法优于其他方法，以此揭示了药物使用与性风险之间的重要联系。
individual treatment effectobservational datacounterfactual modelrandom forestsconfounding
发现论文，激发创造
  • 利用随机森林估计和推断异质性处理效应

    本文介绍了一种非参数因果森林方法，用于估计异质性处理效应，并讨论了一种实用方法以构建渐近置信区间来评估真实处理效应，结果表明在存在无关协变量的情况下，因果森林方法比最近邻匹配等经典方法更为有效。

    Oct, 2015

  • 使用因果森林估计治疗效果：一个应用

    本研究使用因果森林（causal forests）对来源于《学习心态国家研究》的数据进行了分析，讨论了因果森林使用估计的倾向得分更加具有鲁棒性以及如何处理包含聚类误差的数据等实际和概念上的挑战。

    Feb, 2019

  • 反事实推论和个体治疗效果的合规推断

    本篇研究提出了一种基于符合性推断的方法，用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计，适用于完全随机或分层随机试验，以及遵循强忽略性假设的一般观测研究。同时，该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。

    Jun, 2020

  • 估计个体治疗效果时模型选择方法比较

    对于估计异质性治疗效果的研究人员，不需要局限于单个模型拟合算法，应通过从验证集中学习的目标函数对使用多个算法拟合的多个模型进行评估，从而选择最小化目标的模型，用于未来个体的治疗效果估计。

    Apr, 2018

  • 时间变化治疗的反事实生成模型

    本文提出了一种基于条件生成建模的方法，旨在捕捉整个反事实分布，使其特别适用于医疗保健和公共政策制定。通过边际结构模型来解决观察数据和目标反事实分布之间的分布不匹配问题，该方法在合成和真实数据上优于现有方法。

    May, 2023

  • 使用多任务高斯过程进行个性化治疗效应的贝叶斯推断

    基于电子病历的丰富性，本研究提出了一种基于多任务学习的方法来推断个性化治疗效果，使用非参数贝叶斯方法来学习治疗效果，同时提供置信度的点间可信区间，以实现精准医学，并证明该方法在早产儿干预社会计划和舒张期心脏病患者左心室辅助装置中明显优于现有技术。

    Apr, 2017

  • 带有截尾时间事件的反事实表型学

    本文提出了一种潜变量方法，用于模拟异质性治疗效果，并演示其在多个大型随机对照试验中发现个体可操作表型的能力。

    Feb, 2022

  • 贝叶斯回归树模型用于因果推断：正则化，混淆和异质效应

    提出了一种针对小效应、异质性效应和强混淆情况下估计异质性治疗效应的新型非线性回归模型，它通过直接将倾向函数估计值纳入响应模型的规范化中，隐式地在回归函数上产生一个协变量依赖的先验，从而回避了标准非线性回归模型在针对混淆强的数据上所产生的治疗效应估计偏倚的问题。同时，这种基于贝叶斯因果森林模型的方法使得治疗效应的异质性能够被分别规范化，从而实现对异质性进行信息收缩。通过对一项关于吸烟对医疗支出因果效应的观察性研究重新分析和广泛的模拟研究，我们表明了这些好处。

    Jun, 2017

  • 用因果森林目标相对风险异质性

    我们提出并实施了一种方法，通过基于广义线性模型比较的新颖节点分割过程，修改因果森林以针对相对风险目标。我们展示了对模拟和真实数据的结果，表明相对风险因果森林可以捕捉到未观察到的异质性来源。

    Sep, 2023

  • 连续时间、连续值干预的因果推断治疗 - 反应模型

    本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。

    Apr, 2017