On the Individual Surrogate Paradox
当主要结局难以收集时,通常使用替代终点作为替代。有可能对于每个个体,治疗对替代物有积极影响,替代物对主要结局有积极影响,但对于某些个体,治疗对主要结局有负面影响。例如,治疗可能在预防每个人的中风方面基本上是有效的,并且降低中风的风险对于更长的生存时间是普遍有益的,然而,治疗仍然可能导致一些个体的死亡。我们将这种悖论现象称为个体替代悖论。个体替代悖论是为了捕捉处理效应异质性而提出的,这是基于平均因果效应(ACE)的替代悖论无法描述的(Chen et al.,2007)或基于分布因果效应(DCE)(Ju和Geng,2010)。我们调查现有的替代标准的个人替代悖论是否会出现。我们发现,只有强二元替代可以避免这种悖论,而无需额外的假设。利用这个锐界,我们提出了排除个体代理悖论的新准则。我们的方法在应用程序中说明,以确定对糖尿病视网膜病变的发展或进展的风险的影响,密集的视网膜病变。
2017-12-23 stat.ME
Continuous Treatment Effects with Surrogate Outcomes
Carnegie Mellon University(卡内基梅隆大学);Adobe Research(奥多比研究院);Goldman School of Public Policy(戈德曼公共政策学院);University of California, Berkeley(加利福尼亚大学伯克利分校)
针对主要结局部分缺失且缺失依赖协变量的场景,本文提出一种双稳健方法,利用完全观测的替代指标估计连续处理效应,同时使用有标签和无标签数据,避免选择偏差,并证明估计量的渐近正态性及方差改进。
2024-05-21 cs.LG stat.ME stat.ML
A Causal Framework for Evaluating Jointly Longitudinal Outcomes and Surrogate Markers: A State-Space Approach
Department of Statistics and Data Sciences, University of Texas at Austin(德克萨斯大学奥斯汀分校统计与数据科学系)
本文提出一种状态空间方法,用于评估纵向结果和替代标记的因果效应,通过非参数自助法和时间同质性检验,验证了方法在糖尿病临床试验中的有限样本性能。
2026-10-20 stat.ME
Doubly-robust evaluation of high-dimensional surrogate markers
在评估治疗、政策或干预措施的有效性时,所需的有效性测量可能是昂贵的,不是常规可用的,或者可能需要很长时间才能实现。在这些情况下,有时可以确定一个替代结果,可以更容易/快速/便宜地捕获感兴趣的效果。评价替代标志物强度的理论和方法已在随机临床研究过程中测量的单一替代标志物的背景下得到充分研究。然而,当替代指标的维度增长和/或研究数据是观察性的时,缺乏用于量化替代指标效用的方法。我们提出了一种有效的非参数方法,用于评估高维替代标记物的研究,治疗不需要随机化。我们的方法利用了替代标记物效用的量化和因果推断的最基本工具--即估计平均处理效应的方法--之间的联系。我们表明,最近开发的方法,将机器学习方法的平均处理效应的估计,可用于评估替代标记。这使我们能够得到限制渐近分布的关键量,我们证明了他们的良好性能的模拟。
2020-12-03 stat.ME
A Minimax Surrogate Loss Approach to Conditional Difference Estimation
MIT(麻省理工学院);Duke University(杜克大学)
我们提出了一种新的机器学习方法来估计个性化的处理效应在经典的潜在结果框架与二元结果。为了克服这个问题,治疗和控制结果为同一个单位都需要监督学习,我们提出了替代损失函数,将治疗和控制数据。新的替代品产生更严格的界限比治疗组和对照组的损失之和。一个特定的选择损失函数,即一种类型的铰链损失,产生一个极大极小支持向量机制定。由此产生的优化问题只需要一个凸优化问题的解决方案,将治疗和控制单元,它使核技巧被用来处理非线性(也是非参数)估计。统计学习界限也提出了框架和实验结果。
2018-05-04 cs.LG stat.ML
Estimating Marginal Treatment Effects under Unobserved Group Heterogeneity
研究了基于异质性处理规则将个体划分为不可观测组的处理效应模型。使用有限混合的方法,我们提出了一个边际处理效应(MTE)的框架,其中的治疗选择和结果方程可以是异质组。在特定于每个组的工具变量的可用性下,我们表明,每个组的MTE可以单独识别。基于我们的识别结果,我们提出了一个两步半参数估计的MTE组。我们说明了所提出的方法的实用性与应用程序的经济回报,大学教育。
2022-05-23 econ.EM stat.ME
Artificial intelligence surrogates for treatment effect estimation with before-and-after data
University of California, Berkeley(加州大学伯克利分校);University of California, San Francisco(加州大学旧金山分校);Williams College(威廉姆斯学院)
针对临床结局测量昂贵或随访长的问题,提出利用AI预测作为替代指标,基于前后配对测量估计治疗效应,并通过预测增强推断校正偏差,实验验证有效。
2026-09-24 cs.LG stat.ML
SIRNET: Causal Adaptation of Pretrained Embeddings for Semiparametric Treatment-Effect Estimation Under Surrogacy
Adobe Research(奥多比研究院);Division of Biostatistics UC Berkeley(加州大学伯克利分校生物统计学系)
SIRNET是一种代理感知表示适应框架,通过联合学习适配器优化预训练嵌入,在合成、半合成及A4试验中实现了半参数处理效应的高效估计。
2026-10-14 cs.LG stat.ME
Estimating the Long-Term Effects of Novel Treatments
决策者通常面临的问题是,想要估计新疗法的长期效果,而只有旧疗法的历史数据。我们假设访问一个长期数据集,其中只管理过去的治疗和一个短期数据集,其中管理新的治疗。我们提出了一个基于代理的方法,我们假设长期的影响是通过大量的可用的短期代理。我们的工作结合了因果机器学习文献中的三个主要的最新技术:代理指数,动态处理效应估计和双重机器学习,在一个统一的管道。我们表明,我们的方法是一致的,并提供根N渐近正态估计下的马尔可夫假设的数据和观测政策。我们使用来自一家大公司的数据集,其中包括三年内的客户投资,以创建一个半合成的数据分布,其中保留了真实数据集的主要定性属性。我们评估我们的方法的性能,并讨论部署我们的正式方法的实际挑战,以及如何解决这些问题。
2022-02-10 econ.EM stat.ME stat.ML
Combining tumour response and progression free survival as surrogate endpoints for overall survival in advanced colorectal cancer
已将无进展生存期(PFS)和肿瘤缓解(TR)作为晚期结直肠癌(aCRC)总生存期(OS)的替代终点进行了研究,但其有效性显示为次优。近年来,已经提出了允许联合使用多个替代终点的荟萃分析方法。本研究的目的是评估联合使用PFS和TR作为OS的替代终点是否可以提高其预测价值。数据来自于一项随机对照试验的系统性综述,该试验研究了不同药物治疗对aCRC的有效性:全身化疗、抗表皮生长因子受体治疗、抗血管生成药物、其他多靶向抗叶酸治疗和肝内动脉化疗。采用多变量荟萃分析对替代终点(PFS、TR)的处理效应与最终结局(OS)之间的关联模式进行建模。对33项报告了对所有三种结局的处理效应的试验进行的分析显示,对PFS和OS的处理效应之间存在相当强的相关性。对TR和OS的处理效应之间存在较弱的替代关系。对两个替代终点TR和PFS进行建模,联合作为OS的预测因子,在交叉试验中,无论是代孕模式还是预测处理效应的精度都没有显著改善。验证程序。当研究治疗亚组时,在研究抗血管生成治疗的研究中,仅注意到预测处理效应对最终结局的精确度略有改善。总体而言,两个替代终点的同时建模并未改善aCRC中替代终点和最终终点的处理效应之间的相关性。
2018-09-09 stat.AP
Exact Trend Control in Estimating Treatment Effects Using Panel Data with Heterogenous Trends
对于Abadie等人(2010)考虑的面板模型,Abadie等人构建的反事实结果,Hsiao et al.(2012)和Doudchenko and Imbens(2017)都可能受到不受控制的异质性趋势的混淆。基于精确匹配的趋势预测,我提出了新的方法来估计模型特定的处理效应,这是免费的异质性趋势。当应用于Abadie et al.新的估计表明,加州烟草控制计划的影响要小得多。
2020-12-16 econ.EM stat.ME
Estimating Average Treatment Effects: Supplementary Analyses and Remaining Challenges
有大量关于在具有固定数量协变量的设置中,在无混杂治疗分配下平均处理效应的半参数估计的文献。最近的注意力集中在设置大量的协变量。在本文中,我们从早期的文献扩展到这个新的设置的经验教训。我们建议,除了报告点估计和标准误,研究人员报告的结果,从一些补充分析,以帮助评估他们的估计的可信度。
2017-02-04 econ.EM stat.ME
Estimating a Continuous Treatment Model with Spillovers: A Control Function Approach
本文研究了一个通过社交网络存在治疗溢出的连续处理效应模型。我们假设一个人的结果不仅受到他/她自己的治疗的影响,而且还受到他/她邻居治疗的(加权)平均值的影响,这两者都被视为内生变量。使用具有适当工具变量的控制函数方法,我们表明可以非参数化地识别条件平均潜在结果。我们还考虑了一个更易于经验处理的半参数模型,并为这个模型开发了一个三步估计程序。作为一个实证说明,我们调查的区域失业率对犯罪率的因果关系。
2023-01-11 econ.EM stat.ME
Estimating Causal Effects of Discrete and Continuous Treatments with Binary Instruments
MIT(麻省理工学院);U of Bristol(布里斯托大学);U of Michigan(密歇根大学);CESifo(CESifo研究所)
提出基于局部copula的工具变量框架,通过恒定局部依赖性假设识别离散和连续治疗的因果效应,并应用于睡眠对幸福感的影响估计。
2026-09-09 econ.EM stat.ME
Resilience Measures for the Surrogate Paradox
针对替代指标悖论问题,提出基于研究间函数偏差的弹性度量方法,量化悖论发生可能性,通过模拟和HIV临床试验验证性能,补充传统替代指标验证方法。
2025-06-13 stat.ME
Estimating the effect of treatments allocated by randomized waiting lists
超额订购的治疗通常使用随机等候名单进行分配。申请人随机排名,并根据排名提供治疗,直到所有座位都被填满。为了估计因果关系,研究人员经常比较申请人得到和没有得到录取通知书。我们发现这两组在统计上没有可比性。因此,从这种比较中得出的估计量是不一致的。我们提出了一个新的估计,并证明了它是一致的。最后,我们重新审视一个应用程序,我们表明,使用我们的估计可以导致使用常用的估计所获得的结果大不相同。
2018-10-22 econ.EM stat.ME
Statistical Power for Estimating Treatment Effects Using Difference-in-Differences and Comparative Interrupted Time Series Designs with Variation in Treatment Timing
本文开发了新的封闭形式的方差表达式的权力分析常用的差异中的差异(DID)和比较中断时间序列(CITS)面板数据估计。主要贡献是将治疗时间的变化纳入分析。把握度公式还考虑了实践中出现的其他关键设计特征:自相关误差、不等测量间隔和治疗分配单位引起的聚类。我们考虑横截面和纵向模型的幂公式,并允许协变量。说明性功效分析为适当的样本量提供了指导。关键发现是,考虑到治疗时间增加,需要样本量。此外,DID估计器具有比标准CITS和ITS估计器大得多的功率。可用的Shiny R仪表板为所考虑的估计量执行样本量计算。
2021-10-14 econ.EM stat.ME
On the Evaluation of Surrogate Markers in Real World Data Settings
在紧急的健康危机中,当快速确定有效的治疗方法至关重要时,随机临床试验的短缺是显而易见的。利用真实世界数据(RWD)中的短期替代品可以指导政策制定者评估新的治疗方法。在本文中,我们开发了新的估计比例的处理效应(PTE)的真实结果解释的替代RWD设置。我们提出了逆概率加权和双鲁棒(DR)估计的最佳转换的代理和PTE的半非参数建模的真实结果和代理给定的基线协变量之间的关系。我们证明了我们的估计是一致的和渐近正态的,当正确指定倾向得分模型或结果回归模型时,DR估计是一致的。我们将我们提出的估计量与现有的估计量进行比较,并通过模拟显示出偏差的减少和效率的提高。我们通过对溃疡性结肠炎的两种生物疗法进行交叉试验比较,说明了我们的方法在获得可解释的PTE方面的实用性。
2021-04-12 stat.AP stat.ME
Kernel Optimal Orthogonality Weighting: A Balancing Approach to Estimating Effects of Continuous Treatments
许多科学问题需要估计连续治疗的效果。结果建模和基于广义倾向得分的加权回归是评价连续效应最常用的方法。然而,这些技术可能对模型错误指定、极端权重或两者敏感。在本文中,我们提出了核最优连续性加权(KOOW),凸优化为基础的方法,估计连续治疗的效果。KOOW找到使连续治疗和混杂因素之间的最差情况惩罚函数协方差最小化的权重。通过最小化该数量,KOOW成功地提供了使混杂因素和连续治疗正交化的权重,从而提供了最佳协变量平衡,同时控制了极端权重。我们评估其比较性能的模拟研究。使用来自妇女健康倡议观察性研究的数据,我们应用KOOW来评估红肉消费对血压的影响。
2019-10-26 stat.AP stat.ME stat.ML
Estimating the treatment effect on the treated under time-dependent confounding in an application to the Swiss HIV Cohort Study
当在非随机化环境中比较时变治疗时,通常必须校正随时间推移影响治疗选择的时间依赖性混杂因素,这些混杂因素本身也受治疗影响。我们提出了一个新的两步程序,添加剂的风险回归和线性增量模型的基础上,处理这样的混淆时,估计平均处理效应的治疗(ATT)。该方法也可用于中介分析。该方法适用于瑞士艾滋病毒队列研究的数据,估计抗逆转录病毒治疗对艾滋病或死亡时间的影响。与其他估计ATT的方法相比,该方法易于使用现有的R.
2016-10-05 stat.ME
Estimating Treatment Effects Under Bounded Heterogeneity
Brown University(布朗大学);University College London(伦敦大学学院);CEMFI
本文提出regulaTE估计器,在治疗效应异质性有界条件下生成考虑异质性的置信区间,通过调整界使敏感性分析适用于非恒定效应的实证应用。
2026-08-27 econ.EM stat.ME
Estimating Individual Treatment Effects with Time-Varying Confounders
从观察数据中估计个体处理效应(ITE)在医疗保健中具有重要意义和实用价值。现有的研究主要依赖于强可解释性假设,即不存在隐藏的混杂因素,这可能导致估计因果效应时的偏倚。一些研究认为隐藏混杂因素是为静态环境设计的,不容易适应动态环境。事实上,大多数观察数据(例如,电子医疗记录)自然是动态的并且由顺序信息组成。在本文中,我们提出了深度序贯加权(DSW)估计ITE随时间变化的混杂因素。具体而言,DSW通过使用深度递归加权神经网络合并当前治疗分配和历史信息来推断隐藏的混杂因素。隐藏混杂因素的学习表示与当前观察到的数据相结合,用于潜在结果和治疗预测。我们计算治疗的时变逆概率以重新加权群体。我们对全合成,半合成和真实世界的数据集进行了全面的比较实验,以评估我们的模型和基线的性能。结果表明,我们的模型可以产生无偏和准确的处理效应的条件下随时间变化的观察和隐藏的混杂因素,为个性化医疗铺平了道路。
2020-12-15 stat.AP stat.ME stat.ML
Estimating heterogeneous treatment effects with right-censored data via causal survival forests
Zhejiang University(浙江大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校);Stanford University(斯坦福大学);UIUC(伊利诺伊大学厄巴纳-香槟分校)
基于森林的方法最近在非参数处理效应估计中得到普及。在这一工作的基础上,我们引入了因果生存森林,它可用于估计异质性处理效应的生存和观察设置的结果可能是右删失。我们的方法依赖于正交估计方程,以鲁棒地调整下unconfoundness的删失和选择效果。在我们的实验中,我们发现我们的方法相对于一些基线表现良好。
2023-02-28 cs.LG stat.ME stat.ML
Dynamic covariate balancing: estimating treatment effects over time with potential local projections
Harvard University(哈佛大学);Cornell University(康奈尔大学)
本文提出动态协变量平衡方法,用于估计随时间变化的处理效应,通过递归投影潜在结果并平衡可观察特征以减少偏倚。
2026-02-22 econ.EM math.ST stat.ME
A Reinforcement Learning Approach to Estimating Long-term Treatment Effects
Amazon(亚马逊)
随机化实验(又称A/B测试)是评估治疗效果的强大工具,为商业,医疗保健和其他应用中的决策提供信息。在许多问题中,治疗具有随着时间推移而演变的持久效果。随机化实验的局限性在于,它们不容易扩展到测量长期效应,因为运行长时间的实验既耗时又昂贵。在本文中,我们采用了一种强化学习(RL)方法来估计马尔可夫过程中的平均奖励。受现实世界中所观察到的状态转换是非平稳的情况下,我们开发了一类非平稳问题的新算法,并在两个合成数据集和一个在线商店数据集上展示了有希望的结果。
2022-10-14 cs.LG stat.ME stat.ML
Semiparametric Joint Modeling to Estimate the Treatment Effect on a Longitudinal Surrogate with Application to Chronic Kidney Disease Trials
针对纵向替代指标受终末事件截断的问题,提出半参数联合模型,用估计方程估计治疗对GFR斜率的影响,并通过模拟和RENAAL数据验证。
2024-12-18 stat.ME
Estimating population average treatment effects from experiments with noncompliance
随机对照试验(RCT)是估计因果效应的金标准,但通常使用的样本不代表实际感兴趣的人群。我们提出了一种重新加权的方法来估计人口平均处理效应的设置与不遵守。仿真结果表明,建议的顺应性调整的人口估计优于其未调整的对应时,顺应性相对较低,可以预测的观测协变量。我们应用该方法来评估医疗补助覆盖范围对目标人群的医疗保健使用的影响,这些目标人群可能会从医疗补助计划的扩展中受益。我们从俄勒冈州健康保险实验中提取RCT数据,其中只有不到三分之一的随机选择接受医疗补助的人实际登记。
2020-08-08 econ.EM stat.AP stat.ME
Estimating heterogeneous treatment effects versus building individualized treatment rules: Connection and disconnection
估计异质性处理效应是统计学文献中研究得很好的主题。最近,由于对精确医学的需求日益增加以及在估计中越来越多地使用最先进的机器学习方法,它重新受到关注。此外,估计异质性处理效应直接关系到建立个体化治疗规则,个体化治疗规则是根据患者特征进行治疗的决策规则。本文考察了这两个研究问题之间的联系和脱节。值得注意的是,对异质处理效应的更好估计可能会或可能不会导致更好的个体化处理规则。我们提供了理论框架来解释连接和断开,并通过模拟演示了两种不同的情况。我们的结论揭示了一个实际的指导,在某些情况下,没有必要加强估计的处理效应,因为它不会改变治疗的决定。
2022-10-04 math.ST stat.ME stat.TH
Estimating Continuous Treatment Effects with Two-Stage Kernel Ridge Regression
Department of IEOR, Columbia University(哥伦比亚大学工业工程与运营研究系);Department of IEOR and Data Science Institute, Columbia University(哥伦比亚大学工业工程与数据科学研究所)
针对连续治疗的效果函数估计问题,提出两阶段核岭回归方法,通过第一阶段建模响应与治疗和协变量的关系,第二阶段构造伪结果校正分布偏移,无需估计条件治疗密度即可达到最优学习界,并实现数据驱动的模型选择。
2026-05-28 cs.LG stat.ME stat.ML
Estimating and Improving Dynamic Treatment Regimes With a Time-Varying Instrumental Variable
University of Pennsylvania(宾夕法尼亚大学)
根据回顾性观察数据估计动态治疗方案(DTR)具有挑战性,因为通常会出现某种程度的未测量混杂。在这项工作中,我们开发了一个框架,估计适当定义的“最佳”DTR与随时间变化的工具变量(IV)时,未测量的协变量混淆的治疗和结果,使潜在的结果分布只有部分确定。我们推导出一种新的Bellman方程下的部分识别,用它来定义一个通用类的被估量(称为IV-最优DTR),并研究相关的估计问题。然后,我们扩展了IV最优性框架来解决策略改进问题,提供IV改进的DTR,保证其性能不会比预先指定的基线DTR更差,并且可能更好。重要的是,我们的IV改进框架开辟了严格改进DTR的可能性,DTR在无不可测混杂假设(NUCA)下是最佳的。我们通过大量的模拟证明了IV-优化和IV-改进的DTR的优越性能比仅在NUCA下最优的DTR。在一个真实的数据示例中,我们将回顾性观察登记数据嵌入到一个自然的两阶段实验中,该实验使用随时间变化的IV,并估计有用的IV最佳DTR,该DTR根据其预后变量将母亲分配到高级别或低级别的新生儿重症监护病房。
2021-04-15 cs.LG econ.EM stat.ME
Incorporating baseline covariates to validate surrogate endpoints with a constant biomarker under control arm
临床试验中的替代终点S是可以比感兴趣的真实结果T更早或更容易测量的结果。在这项工作中,我们扩展了因果推断的方法来验证这样一个代理使用潜在的结果。因果关系范例评估了替代物上的处理效应与真实终点上的处理效应之间的关系。使用主替代标准,我们利用潜在结果T的联合条件分布,给定潜在结果S。特别是,我们感兴趣的设置允许我们假设安慰剂下的替代物S(0)为零值,并且我们将基线协变量纳入正态分布终点的设置中。我们开发贝叶斯方法,将条件独立和其他建模假设,并探讨其对代孕评估的影响。我们通过模拟和模拟正在进行的肌营养不良症基因治疗研究的数据来展示我们的方法。
2022-02-02 stat.ME
Regression Adjustment for Estimating Distributional Treatment Effects in Randomized Controlled Trials
本文提出一种结合分布回归与预处理信息的回归调整方法,在无强分布假设下提升随机实验中分布性处理效应估计效率,仿真与实际应用验证其精度更优,可识别传统方法遗漏的效应。
2025-01-14 econ.EM math.ST stat.ME
Estimating Average Treatment Effects via Orthogonal Regularization
ETH Zurich(苏黎世联邦理工学院)
决策通常需要从观察数据中准确估计治疗效果。这是一个挑战,因为替代决策的结果没有观察到,必须估计。以前的方法估计结果的基础上unconfoundedness,但忽略了任何约束,unconfoundedness强加的结果。在本文中,我们提出了一个新的正则化框架,估计平均治疗效果,利用unconfoundedness。为此,我们正式unconfoundedness作为一个正交性约束,这将确保结果是正交的治疗分配。该正交性约束然后经由正则化被包括在损失函数中。基于我们的正则化框架,我们开发了用于无混淆治疗的深度正交网络(DONUT),它学习与治疗分配正交的结果。使用各种基准数据集估计平均治疗效果,我们证明DONUT大大优于最先进的。
2021-10-13 cs.LG stat.ML
Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner
William & Mary(威廉与玛丽学院);University of Michigan(密歇根大学)
本文提出深度生存学习器(DSL),通过多输出深度神经网络估计生存数据中异质治疗效应,理论推导了误差界并展示了在临床相关时间范围内的稳定性与鲁棒性。
2026-04-12 stat.ME stat.ML
Estimating Average Treatment Effects Utilizing Fractional Imputation when Confounders are Subject to Missingness
观测数据的缺失问题是普遍存在的。当混杂因素随机缺失时,通常使用多重插补;然而,该方法要求有效推断的一致性条件,在估计平均因果处理效应时可能无法满足。或者,Kim 2011年提出的分数插补已被用于处理回归背景下的缺失值。在这篇文章中,我们开发了部分插补方法来估计混杂因素随机随机缺失的平均处理效应。我们证明了平均处理效应的分数插补估计是渐近正态的,这使得方差估计是一致的。通过仿真研究,比较了分数填补和多重插补的准确度和精确度。
2020-07-08 stat.ME stat.OT
The Instrumental Variable Method for Estimating Local Average Treatment Regime Effects
我们提出的工具变量制度(IVR)的方法来估计多个序贯治疗的因果关系。该方法用于解决顺序处理的内源性选择问题。IVR是一系列工具变量,其中每个IV工具用于内源性治疗变量。我们提出的方法将Imbens和Angrist(1994)中的LATE模型从单一治疗推广到顺序应用的许多治疗。更确切地说,使用IVR,该模型允许估计局部平均治疗方案效应(LATRE),可能以一组初始协变量为条件。虽然有研究在这方面使用IVR,他们都需要一个结构功能形式的假设。我们的方法是新颖的,因为我们不需要任何这样的假设。因此,与以前的方法不同,我们的方法对模型错误指定具有鲁棒性,这通常发生在治疗方案设置中。本文中的想法和估计的动机和说明通过上下文的例子显示使用IVR在估计治疗方案的广告效果的购买行为时,广告显示在多个时期。我们证明了所提出的方法与模拟的性能。
2017-02-18 stat.ME
Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction
我们提出一种利用机器学习进行回归调整的方法,以估计随机实验中的分布处理效应,通过纳入预处理协变量来降低估计器方差,并提供了渐近性质和一致推断方法,模拟与实证均验证其有效性。
2024-07-22 econ.EM math.ST stat.ML
Estimating Conditional Average Treatment Effects with Heteroscedasticity by Model Averaging and Matching
本研究提出模型平均结合划分匹配的方法,用于估计异方差下的条件平均处理效应,证明其渐近最优性与一致性,数值实验验证了良好的有限样本性能。
2024-12-16 stat.AP stat.ME
Estimating Heterogeneous Treatment Effects for General Responses
异质处理效应模型允许我们在亚组和个体水平上比较治疗,并且在个性化医疗、广告和教育等应用中越来越受欢迎。在这次演讲中,我们首先调查了实践中使用的不同因果被估量,重点是估计条件均值的差异。然后,我们提出DINA(自然参数差异)来量化指数家族和Cox模型中的异质性处理效应。对于二元结局和生存时间,DINA对于协变量对处理效应的影响建模既方便又实用。其次,我们介绍了一个元算法DINA,它允许从业者使用强大的现成的机器学习工具的滋扰功能的估计,这也是统计稳健的错误不准确的滋扰功能估计。我们证明了我们的方法与各种机器学习基础学习者在模拟和真实数据集相结合的有效性。
2022-01-27 stat.ME
Estimating heterogeneous treatment effects in nonstationary time series with state-space models
随机试验和观察性研究通常会持续一段时间。处理效应在此期间发生变化,这为治疗反应和长期效果提供了重要见解。许多用于估计处理效应的常规方法限于i.i.d.并且不适于推断处理效应的时间动态。在这些设置中遇到的时间序列是高度信息化的,但往往是非平稳的,由于不断变化的治疗效果。这增加了困难,因为平稳性,时间序列分析中的常见假设,不能合理地假设。另一个挑战是当处理对单元的影响不同时,处理效应的异质性。从非平稳,特别是介入性时间序列中估计异质处理效应的任务是高度相关的,但尚未得到探索。我们提出了因果转移,一种结合回归调整混杂与时间序列建模的方法,以了解治疗的效果以及它如何随着时间的推移而演变。因果转移不假设数据是固定的,可以应用于随机试验和观察性研究,其中治疗是混杂的。因果转移调整可能混杂因素的效应,并将学习效应转移到其他时间序列,从而估计各种形式的处理效应,例如平均处理效应(ATE)或条件平均处理效应(CATE)。通过学习效果的时间动态,因果转移还可以预测未观察到的未来时间点的处理效应,并确定处理的长期后果。
2020-04-10 stat.ME
Tutorial for Surrogate Endpoint Validation Using Joint modeling and Mediation Analysis
本研究针对临床研究中替代终点验证的需求,提出结合元分析与中介分析的联合建模方法,解决两种传统方法的局限性,开发两种新模型并实现于R包,通过肿瘤学真实数据集验证了方法有效性。
2025-02-12 stat.AP stat.CO stat.ME
A Functional-Class Meta-Analytic Framework for Quantifying Surrogate Resilience
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出基于功能类的方法,通过K项已完成研究的数据,评估新研究中替代指标的鲁棒性,以避免替代悖论。
2026-04-22 stat.ME
Estimating heterogeneous treatment effects by W-MCM based on Robust reduced rank regression
本文提出基于稳健降秩回归的W-MCM方法,用于多结局场景下的异质性处理效应估计与有效亚组识别,能够处理结局间高相关性和离群值,并通过模拟与真实数据验证其有效性。
2024-08-01 stat.ME
Estimating Treatment Effects with Causal Forests: An Application
我们将因果森林应用于来自国家学习思维模式研究的数据集,并考虑由此产生的实际和概念上的挑战。特别是,我们讨论了因果森林如何使用估计的倾向得分更强大的混淆,以及他们如何处理数据与聚类错误。
2019-02-20 stat.ME
Estimating Conditional Average Treatment Effects with Missing Treatment Information
ETH Zurich(苏黎世联邦理工学院);LMU Munich(慕尼黑大学)
本文针对治疗信息缺失下的条件平均治疗效应估计问题,识别出两类协变量偏移,提出基于领域自适应学习平衡表示的MTRNet算法,并在半合成与真实数据上显著超越现有方法。
2023-04-16 cs.LG stat.ML
Intact-VAE: Estimating Treatment Effects under Unobserved Confounding
The Graduate University for Advanced Studies(综合研究大学院大学);The Institute of Statistical Mathematics(统计数学研究所)
注:本预印本有一个有缺陷的理论公式。请避免使用此选项,并参考ICLR 22出版物https://openreview.net/forum? id=q7n2RngwOM。此外,arXiv:2109.15062包含了一些关于未观察到的混淆的新想法。作为因果推断中的一个重要问题,我们讨论了在未观察混杂情况下处理效应的识别和估计。代表作为一个潜在变量的混杂因素,我们提出了完整的VAE,变分自动编码器(VAE)的一个新的变种,由预后评分,这是足以识别处理效应的动机。我们从理论上表明,在某些设置下,处理效应由我们的模型识别,并且进一步,基于我们的模型的可识别性(即,代表的确定性),我们的VAE是一个相合估计量,代表治疗组平衡。在(半)合成数据集上的实验显示了不同设置下的最新性能。
2022-04-21 cs.LG stat.ME stat.ML
Estimating Causal Moderation Effects with Randomized Treatments and Non-Randomized Moderators
研究人员通常对分析条件性处理效应感兴趣。其中一个变体是“因果调节”,这意味着对第三个(调节剂)变量的干预将改变处理效应。本研究认为,在何种条件下,因果温和可以确定,并提出了一个广义的框架,估计因果温和的随机治疗和非随机主持人的影响。作为估计过程的一部分,它允许研究人员实施他们首选的协变量调整方法,包括参数和非参数方法,或他们选择的替代识别策略。此外,它提供了一个设置,从而设计的平均治疗效果的背景下,敏感性分析可以扩展到适度的背景下。为了说明的方法,研究提出了两个应用程序:一个处理的效果使用术语“福利”来描述在美国的公共援助,和一个处理的效果寻求庇护者的宗教对欧洲人的态度寻求庇护者。
2020-08-24 stat.ME
Estimating causal effects of functional treatments with modified functional treatment policies
University of Minnesota(明尼苏达大学)
本文提出一种新的因果估计量MFTP,通过功能主成分分析分解解决无限维对象平均问题,用于估计个体治疗轨迹微调后的潜在结果,通过模拟和实证研究验证了其有效性。
2026-02-09 stat.ME
Estimating the average treatment effects of nutritional label use using subclassification with regression adjustment
当治疗分配未随机化时,倾向得分方法通常用于估计二元处理效应。当暴露在有序尺度上测量时(即,低-中-高),然而,倾向得分推断需要得到有限关注的扩展。有序暴露的可能关注估计值是每对暴露水平之间的平均处理效应。使用这些被估量,可以确定最佳暴露水平。传统的方法,包括暴露的二分法或一系列暴露对之间的二元倾向得分比较,通常不足以识别最佳水平。我们将子分类与回归调整相结合,以估计有序暴露之间的传递性,无偏平均因果效应,并将我们的方法应用于2005-06年全国健康与营养检查调查,以估计营养标签使用对体重指数的影响。
2014-11-30 stat.ME
Estimating Individual Treatment Effects using Non-Parametric Regression Models: a Review
University College London(伦敦大学学院)
在卫生、经济和社会科学等学科中,大量的观测数据越来越多,研究人员对因果问题而不是预测感兴趣。在本文中,我们研究的问题,估计异质性处理效应使用非参数回归为基础的方法,从一个实证研究,旨在调查参与学校供餐计划对健康指标的影响。首先,我们介绍了与观察或非完全随机化数据进行因果推断相关的设置和问题,以及如何在统计学习工具的帮助下解决这些问题。然后,我们回顾并开发了一个统一的分类现有的国家的最先进的框架,允许个人处理效应估计通过非参数回归模型。在简要概述了模型选择的问题后,我们说明了一些方法在三个不同的模拟研究中的性能。最后,我们通过对学校供餐计划数据的实证分析,展示了一些方法的使用。
2021-11-23 cs.LG stat.ME stat.ML
Estimating individual treatment effects under unobserved confounding using binary instruments
Munich Center for Machine Learning(慕尼黑机器学习中心);LMU Munich(慕尼黑大学)
从观察数据估计条件平均处理效应(CATE)在许多领域都是相关的,例如个性化医疗。然而,在实践中,治疗分配通常会受到未观察到的变量的混淆,从而引入偏倚。消除偏差的一种补救办法是使用工具变量。这种设置在医学中很普遍(例如,其中治疗分配用作二元IV的试验)。在本文中,我们提出了一种新的,多个强大的机器学习框架,称为MRIV,估计CATE使用二进制IV,从而产生一个无偏的CATE估计。不同于以前的工作二进制IV,我们的框架估计CATE直接通过伪结果回归。(1)~我们提供了一个理论分析,我们表明,我们的框架产生多个强大的收敛速度:我们的CATE估计实现快速收敛,即使几个滋扰估计收敛缓慢。(2)~我们进一步表明,我们的框架渐近优于最先进的插件IV方法的CATE估计,在这个意义上说,它实现了更快的收敛速度,如果CATE是光滑的比个别的结果表面。(3)~我们基于我们的理论结果,提出了一种定制的深度神经网络架构,称为MRIV-Net,用于使用二进制IV进行CATE估计。在各种计算实验中,我们凭经验证明我们的MRIV-Net达到了最先进的性能。据我们所知,我们的MRIV是第一个多功能强大的机器学习框架,专门用于估计二进制IV设置中的CATE。
2023-01-22 cs.LG stat.ME stat.ML
Estimating Net Effects of Treatments in Treatment Sequence without the Assumption of Strongly Ignorable Treatment Assignment
在序贯因果推断中,在治疗之间存在时间依赖性协变量的情况下,估计治疗序列中治疗对末次治疗后结局的因果净效应,通过强可验证治疗分配的不可检验假设改进估计,并获得一致但非真实的基于似然性的估计。在这篇文章中,我们引入了治疗的净效应作为参数的条件分布的结果,所有的治疗和时间依赖的协变量,并表明它是等于因果净效应的治疗下,假设强可解释的治疗分配。因此,我们可以估计治疗的净效应,并在两个独立的步骤中评估其因果解释。第一步是本文的重点,而第二步可以通过通常的敏感性分析来完成。我们构造了条件结果分布的点参数化,其中感兴趣的参数是单点治疗的点效应。在点参数化的条件下,在不作不可检验假设的情况下,利用极大似然估计处理净效应,改进了处理净效应的可检验模式估计,得到了有限维模式下处理净效应的无偏相合最大似然估计.
2014-11-16 stat.ME
Improved Precision in Estimating Average Treatment Effects
平均处理效应(ATE)是实验性治疗干预有效性的全球指标。经典的估计方法要么忽略相关协变量,要么没有充分利用它们。此外,过去的工作认为协变量是固定的。我们提出了一种提高ATE估计精度的方法:通过回归估计治疗和对照反应,并将组间信息合并以产生渐近无偏估计;随后我们证明了结果背后的随机X范式。推导出了标准误,并与传统的估计量进行了比较.详细说明了回归估计的适用条件,并给出了实际数据的验证。
2013-11-01 stat.ME
GraphITE: Estimating Individual Effects of Graph-structured Treatments
Kyoto University(京都大学)
目标个体的治疗结果估计是基于因果关系进行决策的重要基础。大多数现有的结果估计方法处理二元或多项选择治疗;然而,在某些应用中,治疗的数量可能非常大,而治疗本身具有丰富的信息。在这项研究中,我们考虑了这种情况下的一个重要实例:图结构的治疗,如药物的结果估计问题。由于大量的可能的治疗方法,在传统的治疗效果估计中出现的观察数据的反事实性质变得更加关注这个问题。我们提出的方法GraphITE(发音为“graphite”)使用图神经网络学习图结构治疗的表示,同时使用希尔伯特-施密特独立准则正则化来减轻观察偏差,这增加了目标和治疗表示的独立性。在两个真实世界数据集上的实验表明,GraphITE的性能优于基线,特别是在大量处理的情况下。
2021-09-12 cs.LG stat.ML