Feb, 2024

朝着从试验到目标人群的推广的推理

PDF
TL;DR本研究论文通过多学科研讨会的讨论，并整合各领域的方法，回顾了随机对照试验、外部有效性、泛化性和可转移性的现有研究，同时提出了未来研究的方向，旨在增强对因果效应的泛化性和可转移性的集体理解，促进跨学科合作并为改进和应用因果推断方法的研究人员提供有价值的见解。
randomized controlled trialsexternal validitygeneralizabilitytransportabilitycausal inference methods
发现论文，激发创造
  • 泛化性和搬移性综述

    本文提出了一个框架来解决外部有效性偏差，包括针对泛化性和可迁移性的方法综合，它们所需的假设以及对治疗效应异质性和研究与目标人群之间差异的测试。

    Feb, 2021

  • 基于预测的因果推断的普适化

    给定一个随机对照试验，从中推理因果关系可能与一些效应修饰因子不同分布的目标人群无关。我们利用一个附加的观察研究学习到的预测模型，无需对该研究做任何假设来补充试验数据，提出了能够更好地推广试验结果的算法，并以理论和实证的方式展示了当观察研究是高质量时，我们的方法能够更好地推广，即使存在未测的混杂变量等情况仍能保持稳健。

    Jun, 2024

  • 合并随机试验与观察性研究的因果推断方法：一项综述

    本研究综述了长期以来在联合随机对照试验（RCTs）和观察研究中进行因果推断的方法，旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法，然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高（条件）平均治疗效果估计的方法。最后，作者使用模拟研究和真实世界数据比较了主要方法，并提供了可用代码和新实现。

    Nov, 2020

  • 结合试验与观察数据的外部有效政策评估

    使用试验数据对目标人群的政策结果进行验证，使用来自目标人群的附加协变量数据模拟试验研究中个体的抽样，开发了一种非参数的方法，确保在任何指定的模型误差范围内得到有效的基于试验的政策评估，通过模拟和真实数据对认证的政策评估进行了展示。

    Oct, 2023

  • 从随机试验个体到所有符合试验条件个体的因果推断的普适性

    研究了如何通过使用基线共变量数据和随机分配的治疗和结局数据，来辨别出所有适合个体的潜在（反事实）结局均值和平均治疗效应，并评估了它们的估计器在模拟研究中的有限样本表现，最后通过应用这些估计器对慢性冠状动脉疾病的研究结果进行了说明。

    Sep, 2017

  • 决定实验结果可迁移性的通用算法

    本文总结了 Pearl 和 Bareinboim 的研究成果，提供了一种有效的程序，决定何时以及如何进行信息迁移，并建立了一种必要且充分的条件，用于决定目标人群中的因果效应是否可估计。同时提供了一种计算传输公式的完整算法，以综合偏差自由估计所需的因果关系。最后，本文还探讨了传递性与其他形式的泛化之间的差异。

    Dec, 2013

  • 随机对照临床试验中自动因果推断

    本文提出了一种新的自动因果推断方法（AutoCI），该方法基于不变的因果预测（ICP）框架，可以对临床试验数据进行因果重新解释，并在两个真实的子宫内膜癌临床试验中有效地确定因果变量，证实 AutoCI 在临床分析中的鲁棒性和可行性。

    Jan, 2022

  • 通过结论生成来理解医学随机对照试验

    该论文针对 RCTs，提出使用序列到序列模型，使机器学习辅助临床决策，并通过对比，验证使用针对医学领域的 GPT-2 模型，对整个过程的效果较佳，同时指出该方面的研究仍有待进一步的扩展。

    Oct, 2019

  • 在线机器学习实验中的常见误解

    本文讨论了机器学习模型在线实验所面临的问题，指出常用的 A/B-tests 并不能保证无偏估计。因此，文章提出了对从事此领域的从业人员和研究人员的影响及解决方案。

    Apr, 2023

  • 针对任务的治疗效果估计实验设计

    通过任务特定的实验设计和推导到定制特定下游应用程序的采样策略，我们提出了一种更节省样本数据的替代随机对照试验的方法，用于因果推断，并在各种重要任务，实际数据集和样本大小的情况下，胜过其他基准，例如需要一种数量级的数据才能在定向营销任务中达到随机对照试验的性能。

    Jun, 2023