用因果森林目标相对风险异质性
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
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
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
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。
Jan, 2017
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
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
我们提出了因果规则学习方法,用于估计和增强对异质性治疗效应的理解,通过解答一个被以前研究忽略的问题,即一个个体是否同时属于多个具有不同平均治疗效应的组。模拟和真实数据分析证明了因果规则学习在复杂的地面真实情况和充足样本量时对异质性治疗效应的可解释估计的卓越性能。
Oct, 2023
本研究提出了一种基于树模型进行模型平均的方法,旨在提高分布式数据网络下个性化治疗效果 (CATE) 估计精度,包括通过站点划分与模型组合来建模数据源异质性等。该方法通过真实世界数据的研究和全面的仿真实验表明其性能和提高治疗效果估计的实用价值。
Mar, 2021
通过开发一个全连接的神经网络,实现了 Bayesian Causal Forest 算法的神经网络因果推断架构,并将该方法应用于研究应激对睡眠的影响,展示了在模拟环境中性能的提升。
May, 2024