我们提出了一个可识别的深度潜变量模型,可以用于单臂试验中的治疗效果估计,并通过建模结构化的缺失模式来处理缺失的协变量观测值。通过使用分摊变分推断来学习群体特定和可识别的共享潜变量表示,我们的方法在患者配对和直接治疗效果估计方面显示出比先前方法更优的性能。
Nov, 2023
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
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
本文提出了一种用于高维协变量信息下随机实验治疗效果估计的风险一致回归调整的方法,并建议使用交叉估计方法来获得有限样本无偏的治疗效果估计,最后对自适应规范搜索和机器学习方法如随机森林或神经网络等进行了拓展分析。
Jul, 2016
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
本文提出了一种新型的 uplift 算法,通过随机森林进行建模,利用一种新颖的评估方法可以获取 uplift 模型中最重要的性能度量值 - 预期响应,解决了数据无法测量个体对不同治疗方式响应的问题,在合成数据和行业提供的数据上的实验结果表明,该算法在任意数量和不同响应类型的治疗方式上,性能显著优于其他可行方法。
May, 2017
本文提出一种基于正交性的正则化框架来估计平均治疗效果,并开发了基于此框架的深度正交网络来学习与治疗分配正交的结果,实验结果表明 DONUT 在估计平均治疗效果方面优于现有技术。
Jan, 2021
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
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