在结构不确定性下改进基于数据驱动的异质性处理效应估计
本文综述了数据驱动方法在异质性治疗效应估计上的应用,分为基于反事实预测和直接估计因果效应的方法,还有从数据中学习模型结构的结构因果模型方法,并在不同结构模型机制下进行了实证评估。
Jan, 2023
使用机器学习方法估计异质治疗效应(HTE)可以在各个领域(如医疗保健、政策制定、教育等)中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架,实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测,并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。
Feb, 2024
本文提出了一种针对用户特征的统计方法,可以系统地识别任何感兴趣的用户组的异质性处理效应,并确定用户因素对 A/B 测试中处理效应的异质性的贡献,并展示了这些方法在虚拟数据和现实世界实验数据中是如何稳健地进行控制,并同时提供有关已识别用户组的异质性的有用见解,从而为 Snap 的许多 A/B 测试的测量提供了支持。
Aug, 2018
本文探讨了异质性治疗效应估计的一个变体问题,提出了一种基于树形学习方法来寻找治疗效应异质性的方法,可以学习和确认个体化的治疗方案,并在多个数据集上的实验证明了该方法比现有方法更为优越。
Jan, 2019
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
本文旨在探测和估计治疗干预对感兴趣结果变量上的治疗效果,其中异质性治疗效应在个性化医学等实际应用中日益受到关注。我们将异质性治疗效应建模为两个基线函数之间的平滑非参数差异,并确定了非参数异质性治疗效应估计的紧密统计限制作为协变量几何函数的函数。特别地,一个两阶段最近邻估计器可以通过抛弃匹配质量差的观测值来接近极小值。我们还建立了密度比的紧密依赖性,而不需要通常的假设协变量密度远离零,在此关键步骤是采用独立于兴趣的新型极限不等式。
Feb, 2020
通过开发一种从不同视角聚合信息的新架构,我们提出了一种模型异质干扰的新方法,包含图神经网络、不同视角信息的聚合机制和注意力机制,经过多个数据集的实验,证实了模型异质干扰建模的重要性。
Sep, 2023
研究利用后处理的特征重要性方法来评估治疗效果估计器,通过建立基准环境,从而以往未被重视的新维度来研究个性化治疗效果模型的能力,以识别影响模型预测的特征,并提供有关处理效果模型的不同类型的优缺点的新见解。
Jun, 2022