Jun, 2020

异质性治疗效果的强健递归划分及不确定性量化

PDF
TL;DR本文介绍了 R2P 方法，它使用任意外生估计算法来估计个体化治疗效果，并量化治疗效果估计的不确定性，通过更强大的构造实现更均匀的缺陷组和更异构的子组划分，同时产生比其他方法更窄的置信区间。
subgroup analysistreatment effectsindividualized treatment effectsconfidence estimatesr2p method
发现论文，激发创造
  • 用于异质性因果效应的递归分区

    本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确，并将该方法应用于一个大规模的针对搜索引擎的实验。

    Apr, 2015

  • 面板数据中的异质处理效应

    利用回归树对面板数据进行分析，将观测值划分为具有相似治疗效果的不相交簇，并利用面板数据的低秩结构估计每个簇的平均治疗效果，提供更准确和可解释的估计结果。

    Jun, 2024

  • 利用回归树方法识别出具有不同治疗效应的亚组

    本研究介绍了三种新的回归树算法，它们利用了线性预测器作为处理方法，并使用卡方检验来探测残余模式和拟合不足。同时，算法还使用泊松回归来进行比例风险建模。利用引入的算法可以识别出作用显著变量的重要性，同时还可以构造区间以评估每个节点的治疗效果。

    Oct, 2014

  • SubgroupTE: 提高子群组辨识的治疗效果估计

    介绍了一种名为 SubgroupTE 的新型治疗效果估计模型，该模型在治疗效果估计中加入了子组标识，通过考虑子组特定的因果效应来更精确地估计治疗效果，并通过迭代优化子组划分和治疗效果估计网络来提高估计和子组识别的性能。

    Jan, 2024

  • 用于阿片类药物使用障碍的个性化医学中基于亚种识别的异构性治疗效果估计

    本研究介绍了一种名为 SubgroupTE 的新型神经网络框架，该框架结合了亚群识别和治疗效果估计，通过考虑治疗反应的异质性，为每个亚群同时估计治疗效果，从而提高了治疗效果估计的准确性。在合成数据上的比较实验表明，SubgroupTE 在治疗效果估计方面优于现有模型。此外，针对与阿片类药物使用障碍（OUD）相关的真实数据的实验表明，我们的方法能够增强针对 OUD 患者的个性化治疗建议的潜力。

    Jan, 2024

  • 利用罗合分割法鲁棒地估计因子数据的异质性

    我们提出了一种叫做 Rashomon Partition Sets（RPSs）的替代性方法，用于在具有相关结构的协变量中对协变量组合进行划分，并应用于统计分析、先验、近似误差和实证设置。

    Apr, 2024

  • 基于异常模式检测的随机实验中异质性治疗效应的高效发现

    该研究提出了一种新方法 Treatment Effect Subset Scan (TESS)，用于在随机实验中确定哪个子人群受到治疗的影响最大，实验表明该方法可以发现异质性治疗效果.

    Mar, 2018

  • 凹对准合融合方法在子群分析中的应用

    该论文提出了一种基于回归模型的受惩罚子组分析方法，该方法利用惩罚来划分不同子组，通过对被观察截距的差异进行配对惩罚来刻画异质性，并且该方法经过了统计检验的验证。

    Aug, 2015

  • 利用观测数据进行个性化的递归划分

    通过将问题重新定义为一个学习任务，而不是 m 个个别任务，我们提出了一种新的方法，基于将数据递归地分成不同治疗方案最佳的区域。我们开发了新的工具来验证和评估观察数据中的个性化模型，并在个性化医学和职业培训应用中展示了我们的新方法的优势。

    Aug, 2016

  • 随机方案评估中治疗效果异质性的估计

    本文研究对社会项目和医疗方案的疗效进行随机实验评估时，如何准确评估其异质性治疗效应，进而为大量可用的治疗方案选择最有效的方案，确定治疗成功或失败的人群，以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法，并证明其优于常用替代方法。

    May, 2013