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
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
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
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
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
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
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
研究结构化相似性如何对待不同治疗方式下潜在结果进行利用,以获得有限样本中条件平均治疗效果的更好估计,比较三种端到端学习策略以解决存在异质性和利用共享结构不充分问题,实验结果表明三种方法都能对许多基准产生实质性提升,并获得了不同实验设置下性能差异的深入认识。
Jun, 2021
本文探讨了异质性治疗效应估计的一个变体问题,提出了一种基于树形学习方法来寻找治疗效应异质性的方法,可以学习和确认个体化的治疗方案,并在多个数据集上的实验证明了该方法比现有方法更为优越。
Jan, 2019
提出了将实验性数据与观测性时间序列数据相结合的方法,以估计异质性处理效应,应用于 Facebook 页面推荐。
Nov, 2016