基于高斯过程的部分线性模型实现异质治疗效应估计的不确定性量化

AAAIDec, 2023

基于高斯过程的部分线性模型实现异质治疗效应估计的不确定性量化

Uncertainty Quantification in Heterogeneous Treatment Effect Estimation with Gaussian-Process-Based Partially Linear Model

PDF

Shunsuke Horii, Yoichi Chikahara

TL;DR提出了一种贝叶斯推断框架来量化治疗效果估计的不确定性，支持在相对较小的样本量条件下进行决策，该方法在小样本量设置中能够准确估计异质治疗效应并有效量化其估计不确定性。

Abstract

Estimating heterogeneous treatment effects across individuals has attracted growing attention as a statistical tool for performing critical decision-making. We propose a bayesian inference framework that quantifi

heterogeneous treatment effects bayesian inference framework small sample size gaussian process priors estimation uncertainty

发现论文，激发创造

异质性处理效应的准预言估计

本文提出了一个针对观测研究中异质性处理效应估计的两阶段算法，其中，通过估计边际效应和治疗倾向来形成一个分离因果信号的客观函数，然后优化这个数据自适应的目标函数。我们的方法具有灵活性和易用性，并且针对不同的实际情况也有优势。

Dec, 2017

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

异质性处理效应的极小极大优非参数估计

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

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

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

该研究通过开发一种考虑每个特征值对异质性治疗效果估计的特征选择方法，并从数据中学习相关部分的因果结构，为处理真实世界数据的因果结构问题提供了解决方法。研究结果表明，该方法在任意潜在因果结构下均优于现有的数据驱动异质性治疗效果估计方法，并可降低异质性治疗效果估计误差。

Jun, 2022

高维数据的程序评估和因果推论

本文提供了针对丰富的数据环境中的各种处理效应，包括局部平均处理效应（LATE）和局部分位数处理效应（LQTE）的高效估计量和诚实置信区间。我们的框架涵盖了处理的内生接收，异质性处理效应和函数值结果等特殊情况。

Nov, 2013

基于数据驱动的异质性治疗效应估计

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

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

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

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