动态局部平均治疗效应
针对动态治疗方案中样本不足的问题,我们提出了一种新的个体化学习方法,以优化决策阶段中观测到的治疗轨迹与最佳治疗方案之间的一致性,并引入阶段重要性评分和注意机制来明确考虑决策阶段的异质性。在理论和实证研究中,我们证明了该方法的性质并对其性能进行了评估,包括广泛模拟环境和 COVID-19 疫情的实际案例研究。
Oct, 2023
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
提出了一种基于工具变量的方法,通过二进制工具变量帮助确定无未测混杂作用的最优治疗方案,同时构造了新型的多重稳健分类估计器,该方法通过对育儿对劳动参与的影响数据的应用进行了说明。
Nov, 2019
本文介绍了 ODTR 超级学习算法在治疗效果异质性方面的应用,并通过模拟和实验研究证明了其能有效检测患者对不同治疗方式的反应,并针对实际情况提出了实施算法的注意事项和建议。
Jan, 2021
通过使用现有数据,我们详细介绍了临床医生制定动态治疗方案的方法,以及用于估算最优方案的两种主要方法:Q-learning 和 A-learning,并使用抑郁症研究的数据进行了说明。
Feb, 2012
在这篇论文中,我们采用最近引入的无结构统计下界框架,证明了双重稳健估计器在平均处理效应以及对待处理群体的平均处理效应方面的统计优越性,以及这些估计器的加权变体,这在政策评估中广泛应用。
Feb, 2024
本文研究了随机实验可能因参与者的潜在非合规性而容易受到选择偏差的影响,并提出了一个博弈论模型来研究动态行为对合规性的影响,该模型可估计每种治疗的治疗效应并将规划者的建议视为工具变量。
Jul, 2021
在实际医疗问题中,经常存在着多个竞争性的关注点,如治疗效果和副作用严重程度。本研究提出了一种新的方法,称为隐性效用 Q 学习(LUQ-Learning),来解决现有方法在评估复合结果时存在的限制,包括对单一时间点和两个结果的约束、无法纳入患者自述的偏好和有限的理论保证。我们的方法在模拟实验中表现优异,并与多个替代方案相比具有高度竞争的实证表现。
Jul, 2023
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
本研究提出了一种利用线性时不变动力系统和高斯过程,能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法,能够更加准确地进行多变量数据的建模和预测。
Apr, 2017