Multiple conditional randomization tests for lagged and spillover treatment effects
本文提出使用单一数据集构建多个独立条件随机化检验的序贯方法,可单独解释p值或用标准多重检验组合,并应用于证据因子、滞后效应和溢出效应分析。
2024-10-11 math.ST stat.ME stat.TH
Treatment Effect Bias from Sample Snooping: Blinding Outcomes is Neither Necessary nor Sufficient
关于观察性数据分析的流行指南指出,在确定匹配标准或倾向得分时,结局应设盲。非正式地说,这种盲目性是为了保持分析的“客观性”,并防止分析师利用机会不平衡来获得积极的结果。与此相反,我们表明,结果致盲是不足以保障捕鱼。设盲和非设盲分析员在可以从基线协变量近似预测结局的情况下可能产生相同数量级的偏倚。我们结合分析结果和模拟来说明这种脆弱性。最后,为了证明结果设盲对于防止偏倚是不必要的,我们概述了一种替代的样本划分程序,用于估计对照组的平均处理效应或治疗组的平均处理效应。该程序使用最终分析步骤中所有分区的所有结果数据,但不要求分析不完全预先指定。
2022-07-23 math.ST stat.ME stat.TH
Conditional separable effects
研究人员通常对仅以治疗后事件状态为条件定义的结局的处理效应感兴趣。例如,在一项关于不同癌症治疗对随访结束时生活质量影响的研究中,研究期间死亡的个体的生活质量是不确定的。在这些情况下,即使在随机实验中,以治疗后变量为条件的结果的朴素对比也不是平均因果效应。因此,对于因果推断,通常主张在主要分层中的效应,即无论治疗如何,治疗后变量值均相同的人群,例如在死亡截断设置中始终存活的人群。虽然这一主要阶层效应是一个定义明确的因果对比,但往往很难证明它与科学家、患者或决策者有关,而且如果不依赖不可证伪的假设,就无法确定它。在这里,我们制定替代被估量,条件可分离的影响,有一个自然的因果解释的假设下,可以在随机实验中被证伪。我们提供了识别结果,并介绍了不同的估计,包括一个双鲁棒估计来自非参数影响函数。作为一个例子,我们估计化疗对前列腺癌患者生活质量的条件可分离效应,使用随机临床试验的数据。
2021-06-07 math.ST stat.ME stat.TH
Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义,这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
Conditional Distributional Treatment Effect with Kernel Conditional Mean Embeddings and U-Statistic Regression
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Technion, Israel Institute of Technology(以色列理工学院)
我们建议分析的条件分布处理效应(CoDiTE),这与更常见的条件平均处理效应(CATE),是设计来编码治疗的分布方面超出了平均值。我们首先介绍一个正式的定义与概率测度之间的距离函数的CoDiTE。然后,我们通过内核条件均值嵌入,再加上假设检验,告诉我们是否有任何条件的分布效应的治疗,讨论了与最大均值差异相关的CoDiTE。最后,我们调查了什么样的条件分布效应的治疗,无论是在探索性的方式通过条件见证函数,并通过U-统计回归的定量方式,概括的CATE高阶矩。在合成、半合成和真实数据集上的实验证明了该方法的优点。
2021-06-10 cs.LG stat.ML
Conditional Distributional Treatment Effects: Doubly Robust Estimation and Testing
Department of Statistics, University of Washington, Seattle, USA(华盛顿大学统计系,美国西雅图);Departments of Health Care Policy and Statistics, Harvard University, USA(哈佛大学健康政策与统计系,美国)
本文提出捕捉条件分布治疗效应的新估计量,开发了局部渐近最优的双重鲁棒估计器,并设计了检验条件潜在结果分布全局同质性的测试方法,具有严格的一阶误差控制和一致性。
2026-09-23 cs.LG math.ST stat.ME
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva(日内瓦大学);ETH Zürich(苏黎世联邦理工学院);NYU Grossman School of Medicine(纽约大学格罗斯曼医学院)
本文提出Causal-DRF方法,利用分布随机森林算法估计条件核治疗效应,通过森林拟合获得一致且渐近正态的估计值,从而更全面理解治疗效应差异。
2026-04-02 stat.ME
Flexible machine learning estimation of conditional average treatment effects: a blessing and a curse
本研究针对观测数据因果推断中特征不足导致个体处理效应(ITE)与条件平均处理效应(CATE)偏差的问题,扩展因果随机森林(CRF)估计组间条件方差差异,在特定因果假设下可有效估计ITE分布方差,弥补了标准CRF的不足。
2023-07-20 econ.EM math.ST stat.ME
On the Distinction Between "Conditional Average Treatment Effects" (CATE) and "Individual Treatment Effects" (ITE) Under Ignorability Assumptions
RAND Corporation(兰德公司)
近年来,注重估计“个体处理效应“的方法激增。这些方法通常侧重于在可接受性假设下对异质性处理效应的估计。本文希望提请注意这样一个事实,即没有什么必然的“个人”的影响下,可互换性假设和孤立的个人影响可能需要额外的假设。这种个体效应通常被更准确地描述为“条件性平均处理效应“,两者之间的混淆有可能阻碍个性化和个体化效应估计的进展。
2021-08-10 cs.LG stat.ME stat.ML
Identification and estimation of the conditional average treatment effect with nonignorable missing covariates, treatment, and outcome
University of Michigan(密歇根大学);Tsinghua University(清华大学);Yanqi Lake Beijing Institute of Mathematical Sciences and Applications(北京雁栖湖应用数学研究院)
本文提出在非随机缺失机制下非参数识别条件平均处理效应,并开发了非参数和参数估计方法,同时提出敏感性分析框架以评估稳健性。
2026-02-22 stat.ME
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
Assessing Outcome-to-Outcome Interference in Sibling Fixed Effects Models
同胞固定效应(FE)模型可用于估计因果处理效应,同时抵消未观察到的同胞不变混杂。然而,如果一个人的结果影响到他们兄弟姐妹的结果,治疗估计是有偏见的。我们提出了一个鲁棒性检验,用于评估线性两兄弟FE模型中结果间干扰的存在。我们回归一个增益分数-兄弟姐妹的连续结果之间的差异-对兄弟姐妹的治疗和治疗前观察到的FE。在某些限制条件下,观察到的FE的偏回归系数表明存在结果间干扰。蒙特卡罗模拟证明了几种模型下的稳健性测试。我们发现,如果观察到的FE与治疗和结果的兄弟不变混杂因素直接相关,与兄弟姐妹的治疗直接相关,或与兄弟姐妹的结果直接且同等相关,则表示结果到结果的溢出。然而,稳健性检验崩溃,如果所观察到的FE是直接的,但差异与兄弟姐妹的结果,或者如果结果影响兄弟姐妹的治疗。
2021-11-07 econ.EM stat.ME
Outcome-Assisted Multiple Imputation of Missing Treatments
本研究提出结果辅助的多重插补方法,通过结合结果回归与倾向得分模型来插补缺失治疗,以减小逆概率加权估计量的偏差,提升观察性研究中平均治疗效应的推断性能。
2025-01-21 stat.AP stat.CO stat.ME
Effects conditional on post-treatment events generated by independent mechanisms
Institute of Mathematics, École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院数学研究所)
研究治疗后事件如失访等常出现,基于此类事件的结果比较缺因果解释。提出若治疗等通过“独立机制”产生事件,可不调整共同原因就能识别相关因果效应,通过相关研究说明了该结果。
2026-07-28 stat.ME
The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation
针对未观测混杂下的多治疗多结果因果效应估计,提出利用其他治疗和结果作为代理进行因果识别,并开发因果发现方法,在合成数据和脓毒症数据上验证有效性。
2023-10-14 stat.ME stat.ML
When Do Outcome Driven Treatments Break Parallel Trends?
如果治疗决策基于过去的结果值,在什么情况下会对差异差异(DiD)研究所需的平行趋势假设构成威胁?我们通过模拟研究探索平行趋势是否在通常有利于平行趋势的数据生成过程的网格中保持(随机游动、隐马尔可夫模型和恒定直接加性混杂)、研究设计(从未治疗、尚未治疗或随后治疗的对照组)和治疗的结果反应性(是或否)。我们将模拟结果的结果解释为,当治疗受到过去结果的影响时,平行趋势通常不是一个可信的假设。这是由于回归到平均值和选择未来治疗值的组合,取决于对照组。由于治疗开始的时间经常受到过去结果的影响,当治疗针对结果时,也许DiD通常更适合研究干预措施的非预期后果?
2022-08-01 stat.ME
Factor-augmented Bayesian treatment effects models for panel outcomes
我们提出了一种新的,灵活的模型,用于推断二元治疗对后续时间段内观察到的连续结果的影响。该模型允许将由于治疗选择的内在联系与结果的额外纵向联系分开,从而对动态处理效应进行无偏估计。我们调查的性能模拟数据的方法,并采用它来重新分析数据的纵向影响的长期产假对母亲的收入后,他们返回劳动力市场。
2021-03-01 stat.ME
Sharp bounds on the relative treatment effect for ordinal outcomes
对于有序结局,平均处理效应通常定义不清,难以解释。与Repubsti和Kateri(2017)相呼应,我们认为相对处理效应可以是一个有用的指标,特别是对于顺序结局,定义为$γ= \mathrm{pr}\{ Y_i(1) > Y_i(0) \} - \mathrm{pr}\{ Y_i(1) < Y_i(0) \}$,其中$Y_i(1)$和$Y_i(0)$分别是治疗和对照下单位$i$的潜在结局。给定潜在结果的边缘分布,我们推导出$γ,$的锐界,这些锐界是基于观测数据的可识别参数。Albersti和Kateri(2017)专注于在独立潜在结果假设下的建模策略,但我们允许任意依赖。
2019-09-05 stat.AP stat.ME
How to relate potential outcomes: Estimating individual treatment effects under a given specified partial correlation
在大多数医学研究中,平均处理效应被用来评估治疗的性能。然而,精准医疗需要了解个体处理效应:在处理和控制条件下,一个单位的测量值之间有什么区别?在大多数处理效应研究中,这样的答案是不可能的,因为两种实验条件下的结果没有联合观察到。这使得因果推断问题成为缺失数据问题。我们建议通过在特定的偏相关(SPC)下对个体潜在结果进行插补来解决这个问题,从而允许异质性处理效应。我们在模拟中表明,我们提出的方法产生有效的推断潜在的结果的边缘分布。我们强调,个别处理效应的后验分布不同的指定偏相关。该性质可用于研究不同相关性规范下最优治疗结果的敏感性。在HIV-1治疗数据的一个实际例子中,我们证明了所提出的方法适用于真实世界的数据。因此,SPC下的插补为研究不完整数据的异质处理效应和个体处理效应的进一步适应开辟了丰富的可能性。
2022-08-27 stat.CO
Robust inference of conditional average treatment effects using dimension reduction
从观察数据中对条件平均处理效应进行稳健推断很重要,但当混杂因素为多变量或高维时,这变得具有挑战性。本文提出了一种双重降降维方法,在保持非参数优点的同时,尽可能地降低维数灾难。我们使用降维来确定条件平均处理效应的中心平均子空间。一个非参数回归与先前的降维也被用来插补反事实的结果。这一步有助于提高插补的稳定性,并导致比现有方法更好的估计。然后,我们提出了一个有效的自举过程,而无需自举估计的中心均值子空间进行有效的推断。
2020-08-30 stat.ME
Treatment effect estimation by comparing observed and predicted outcomes: conditions for valid inference and practical illustration
University Medical Center Utrecht, Utrecht University(乌得勒支大学医学中心,乌得勒支大学);University Medical Center Groningen(格罗宁根大学医学中心);MAASTRO Clinic(MAASTRO诊所);Erasmus MC Cancer Institute(伊拉斯姆斯癌症研究所)
研究利用新治疗前的预测模型估计治疗效果,核心方法是比较新治疗观察结果与标准治疗预测结果,通过潜在结果框架和实际案例阐明有效估计平均治疗效果所需条件。
2026-07-22 stat.ME
Robust and Agnostic Learning of Conditional Distributional Treatment Effects
Cornell University(康奈尔大学);Cornell Tech(康奈尔科技)
本文提出一种鲁棒且模型无关的条件分布处理效应学习方法,通过构造伪结果并利用任意回归学习器,在慢速估计讨厌参数下仍能有效学习并推断 CDTE。
2025-06-04 cs.LG econ.EM stat.ME
Causal progress with imperfect placebo treatments and outcomes
本文提出一个遗漏变量偏误框架,允许设定不等混杂和安慰剂不完美程度,从而识别或界定处理效应,并放宽双重差分中的平行趋势假设。
2024-11-25 stat.ME
Finite sample performance of optimal treatment rule estimators with right-censored outcomes
本文通过模拟比较右删失观测生存数据下多种最优治疗规则及期望结果估计方法,发现灵活建模结果的方法在非线性规则等情景中表现更优。
2024-01-25 stat.ME
Doubly Robust Uniform Confidence Bands for Group-Time Conditional Average Treatment Effects in Difference-in-Differences
本文在交错双重差分设定下,提出基于局部多项式回归的三步估计与双重稳健推断方法,为连续协变量下的组-时期条件平均处理效应函数构建统一置信带,并提供了R包didhetero便于实现。
2025-07-15 econ.EM stat.ME
Estimation and visualization of treatment effects for multiple outcomes
我们考虑两组间的随机对照试验。目的是确定具有试验治疗比对照治疗更有效特征的人群。这样的种群称为子群。可通过估计处理效应并识别处理和协变量之间的相互作用来进行识别。到目前为止,已经提出了许多方法来确定一个单一的结果亚组。也有多个结果,但它们很难解释,不能应用于连续值以外的结果。在本文中,我们提出了一个多元回归方法,引入潜变量估计的处理效应对多个结果同时进行。该方法引入了潜在变量,并增加了Lasso稀疏约束的估计负荷,以方便解释的结果和协变量之间的关系。广义线性模型的框架使其适用于各种类型的结果。通过可视化处理效应和潜在变量来解释亚组。这使我们能够识别具有使测试疗法对多种结局更有效的特征的亚组。仿真和实际数据的例子证明了所提出的方法的有效性。
2021-12-03 stat.ME
Conflating marginal and conditional treatment effects: Comments on 'Assessing the performance of population adjustment methods for anchored indirect comparisons: A simulation study'
在这篇评论中,我们强调了以下几点的重要性:(1)仔细考虑并澄清边际或条件性处理效应是否在人群调整的间接治疗比较中值得关注;以及(2)开发不同的方法来估计不同的效应指标。每种方法的适当性取决于推理的首选目标。
2020-12-02 stat.AP stat.ME
Educational Effects in Mathematics: Conditional Average Treatment Effect depending on the Number of Treatments
Kogakuin University(工学院大学);Waseda University(早稻田大学);Osaka Institute of Technology(大阪工业大学);Osaka Sangyo University(大阪产业大学);International University of Health and Welfare(国际医疗福祉大学)
本研究应用因果推断和扩展的T-learner方法,评估工学院大学学术支持中心面对面辅导的条件平均处理效应,并提出了依赖于处理次数的CATE函数以预测其效果。
2024-11-03 cs.LG econ.EM stat.ME
Preference-based Conditional Treatment Effects and Policy Learning
Technion – Israel Institute of Technology(技术学院——以色列理工学院);Inria(法国国家信息与自动化技术研究所);Inserm(法国国家医学研究院);Université de Montpellier(蒙彼利埃大学);Department of Statistics and Operations Research, Tel Aviv University(特拉维夫大学统计与运筹学系)
本文提出了一种基于偏好的条件治疗效应估计与政策学习框架,通过排序结果实现对异质效应的灵活建模,并提供了新的可识别条件和高效的估计方法。
2026-02-03 cs.LG stat.ML
Proximal Causal Learning of Conditional Average Treatment Effects
Stanford University(斯坦福大学);Zhejiang University(浙江大学)
针对可交换性假设不成立时,提出基于代理变量的P学习器,通过两阶段损失函数估计条件平均处理效应,并可用现成机器学习方法实现,核回归下满足预言机误差界。
2023-05-09 cs.LG stat.ME stat.ML
A Bayesian Additive Regression Tree Model for Learning Conditional Average Treatment Effects in Regression Discontinuity Designs
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Arizona State University(亚利桑那州立大学);Insper(因斯珀学院)
本文提出一种高效的贝叶斯方法,用于回归断点设计中条件平均处理效应的估计,通过适应性划分协变量空间实现可解释的贝叶斯推断。
2026-10-20 stat.ME stat.ML
Doubly Robust Direct Learning for Estimating Conditional Average Treatment Effect
非均匀处理效应的推断是科学和商业应用中的基本问题。在本文中,我们专注于估计条件平均处理效应(CATE),即在给定协变量的条件平均结果之间的差异。传统上,基于Q学习的方法依赖于给定治疗和协变量的条件平均结果的估计。然而,它们受到主效应模型的错误指定的影响。最近,已经提出了简单而灵活的一步方法来直接学习(D-Learning)CATE而无需模型规范。然而,这些方法对倾向得分模型的错误设定不稳健。我们提出了一个新的框架CATE估计,强大的直接学习(RD学习),导致双重强大的估计的处理效应。如果正确指定了主效应模型或倾向得分模型,则可以保证我们的CATE估计量的一致性。该框架可用于二进制和多臂设置,并且足够通用,以允许不同的函数空间并包含不同的通用学习算法。作为一个副产品,我们开发了一个有竞争力的统计推断工具的处理效应,假设倾向得分是已知的。我们提供的理论见解,所提出的方法使用风险界限下的线性和非线性设置。我们所提出的方法的有效性证明了仿真研究和艾滋病临床试验研究的真实数据的例子。
2021-03-21 stat.ME
Assessing effect heterogeneity of a randomized treatment using conditional inference trees
当个体特征影响治疗效果时,发生处理效应异质性。我们提出了一种新的方法,结合预后评分匹配和条件推理树来表征随机二进制治疗的效果异质性。将我们的方法与替代方法区分开的一个关键特征是它控制第一类错误率,即,如果不存在效应异质性并保留基础亚组,则确定效应异质性的概率。这一特点使得我们的技术在临床试验中特别有吸引力,在临床试验中,错误地宣称不同人群亚组的效果不同可能会产生重大成本。TEHTree能够识别异质亚组,表征相关亚组并估计相关的处理效应。我们使用全面的模拟研究证明了所提出的方法的有效性,并使用营养试验数据集来说明我们的方法,以评估患者人群中的效果异质性。
2020-11-23 stat.AP stat.ME
A Potential Outcomes Calculus for Identifying Conditional Path-Specific Effects
do-calculus是一个著名的演绎系统,用于推导干预和观察分布之间的联系,并已被证明是完整的因果推断中的一些重要的可识别性问题。然而,正如目前所定义的,do演算不适用于涉及复杂嵌套反事实的因果问题,这些反事实不能用“do”运算符表示。这些问题包括分析特定路径的影响和动态治疗制度。在本文中,我们提出了潜在结果演算(po演算),这是do演算对任意潜在结果的自然推广。因此,我们提供了一个桥梁识别方法,其起源于人工智能和统计,分别。我们使用po-calculus给出了一个完整的识别算法的条件路径特定的影响与应用程序的问题,在中介分析和算法的公平性。
2019-03-08 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 scaled treatment effects with multiple outcomes
在经典研究设计中,目的通常是了解治疗或干预对单一结局的影响;然而,在许多现代研究中,收集了多个结局的数据,同时探索对多个结局的影响是有意义的。这种设计在以患者为中心的研究中特别有用,因为不同的结果对不同的患者可能或多或少重要。在本文中,我们提出了规模效应的措施(通过潜在的结果符号),翻译对多个结果的影响到一个共同的规模,使用均值方差和中位数四分位数范围为基础的简化。我们提出了有效的,非参数的,双重鲁棒的方法来估计这些规模效应(和加权平均汇总措施),并测试原假设,治疗影响所有的结果一样。我们还讨论了探索处理效应如何依赖于协变量的方法(即,效果修改)。除了描述我们的估计和估计的渐近行为的效率理论,我们说明了模拟研究和数据分析的方法。重要的是,与大多数关于对多个结果的影响的文献相反,我们的方法是非参数的,不仅可以用于随机试验以提高效率,而且可以用于高维协变量的观察性研究以减少混杂偏倚。
2017-06-13 stat.ME
Identifying sparse treatment effects in high-dimensional outcome spaces
针对高维结果空间中稀疏处理效应检测效能低的问题,提出基于单次 Lasso 调用的子集选择与推断程序,理论证明与模拟均显示该方法能渐近选出正确子集并提升统计效能。
2024-10-14 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
Doubly Robust Uniform Confidence Band for the Conditional Average Treatment Effect Function
在本文中,我们提出了一个双重的强大的方法来呈现异质性的平均处理效应相对于观察到的协变量的利益。我们考虑的情况是,需要大量的协变量来识别平均处理效应,但用于分析异质性的协变量的维数要低得多。我们提出的估计是双重鲁棒性和避免灾难的维度。我们提出了一个统一的置信带,很容易计算,我们说明了它的有用性,通过蒙特卡罗实验和应用程序吸烟对出生体重的影响。
2016-10-28 econ.EM stat.ME
Marginal and Conditional Importance Measures from Machine Learning Models and Their Relationship with Conditional Average Treatment Effect
The Hospital for Sick Children(SickKids医院(多伦多病童医院));Dalla Lana School of Public Health(达拉·拉纳公共卫生学院)
本文提出模型无关的边际变量重要性度量(MVIM)及条件变量重要性度量(CVIM),解决了高相关预测变量下估计偏差问题,并揭示了二者与条件平均处理效应(CATE)的二次关系。
2025-01-29 cs.LG stat.ML
Robust Variance Estimation for Covariate-Adjusted Unconditional Treatment Effect in Randomized Clinical Trials with Binary Outcomes
为了提高具有二元结局的随机临床试验中无条件处理效应的估计精度和检验假设的功效,研究人员和监管机构建议使用g计算作为协变量调整的可靠方法。然而,g-计算的实际应用受到阻碍,缺乏一个明确的强大的方差公式,可以用于不同的无条件处理效应的利益。为了填补这一空白,我们提供了明确的和强大的方差估计g-计算估计,并通过模拟证明,方差估计可以可靠地应用于实践。
2023-03-27 stat.AP stat.ME
Estimations of the Local Conditional Tail Average Treatment Effect
本文针对双侧不依从下依从者的局部条件尾部平均处理效应,提出结合条件尾部期望与分位数一致损失的半参数估计方法,建立渐近理论并用于美国职业培训项目评估。
2024-05-20 econ.EM stat.AP
Outcome Based Matching
我们提出了一种方法,以减少在高维数据的设置中的处理效应估计的方差。特别是,我们介绍了一种方法,用于学习一个度量用于匹配治疗组和对照组。该指标通过对与结局相关的协变量进行加权并过滤掉不相关的协变量来降低处理效应估计值的方差。
2017-12-14 stat.AP
Robust inference on the average treatment effect using the outcome highly adaptive lasso
治疗对结果的平均效应的许多估计值需要估计倾向得分、结果回归或两者。利用诸如半参数回归或机器学习之类的灵活技术来估计这些量通常是有益的。然而,这些回归的最佳估计不一定导致平均处理效应的最佳估计,特别是在具有强工具变量的设置中。最近的一项提案通过结果自适应套索解决了这些问题,这是一种用于估计倾向得分的惩罚回归技术,旨在最大限度地减少工具变量对处理效应估计值的影响。然而,这种方法的一个明显的局限性是,它的应用仅限于参数模型。我们提出了一个更灵活的替代方案,我们称之为高度适应性套索的结果。我们讨论了这种估计的大样本理论,并提出了封闭形式的置信区间的基础上提出的估计。我们通过模拟表明,我们的方法提供了几个流行的方法的好处。
2019-05-13 stat.CO stat.ME stat.ML
Estimating confidence regions of common measures of (baseline, treatment effect) on dichotomous outcome of a population
在这篇文章中,我们估计的置信区域的常用措施(基线,处理效应)的观察性研究中,其中基线的措施是基线风险或基线优势,而处理效应的措施是优势比,风险差,风险比或归因分数,其中混杂是控制在估计的基线和处理效应。为了避免正态近似方法和参数或非参数自助方法的高度复杂性,我们通过基于一个logistic模型生成这些测量的ML估计的近似分布来获得(基线,处理效应)测量的置信区域。
2015-01-21 stat.CO
Distributional Causal Mediation via Conditional Generative Modeling
提出分布因果中介分析框架,通过条件生成模型学习中介变量和结果变量的条件分布,利用蒙特卡洛前向模拟重建干预结果分布,捕捉能量距离和Wasserstein距离等分布对比,并推导误差传播界限。
2026-06-28 cs.LG stat.ML
Integrating tumor burden with survival outcome for treatment effect evaluation in oncology trials
针对早期肿瘤临床试验数据稀缺问题,提出基于效用的贝叶斯方法,联合建模纵向肿瘤负荷与生存结局,并通过模拟验证其I类错误率可控。
2025-06-09 stat.ME
Treatment Effects on Ordinal Outcomes: Causal Estimands and Sharp Bounds
评估干预措施对有序结果的因果影响是许多教育和行为研究的重要目标。在潜在结果框架下,我们可以将因果效应定义为治疗和控制下的潜在结果之间的比较。然而,不幸的是,平均因果效应,通常是感兴趣的参数,很难解释为有序的结果。为了应对这一挑战,我们建议使用两个因果参数,定义为治疗对实验单位有益和严格有益的概率。然而,尽管上述两个参数对于任何结果都有明确的定义,并且对于顺序结果特别感兴趣,但它们取决于潜在结果之间的关联,因此在没有额外假设的情况下无法从观察到的数据中识别。为了响应计量经济学和生物统计学文献的最新进展,我们提出了在潜在结果的固定边缘分布下,上述顺序结果的因果参数的锐界。由于因果被估量及其相应的锐界是基于潜在结果本身,所提出的框架可以灵活地纳入任何选择的模型的潜在结果,并直接适用于随机实验,无混杂观察性研究,随机实验与不遵守。我们说明我们的方法,通过数值例子和三个现实生活中的应用程序相关的教育和行为研究。
2018-04-05 stat.ME
Bounds on direct and indirect effects under treatment/mediator endogeneity and outcome attrition
因果中介分析旨在将处理效应分解为通过中间结果或中介物运作的间接机制,以及处理对感兴趣结果的直接效应。然而,直接和间接影响的评估往往是复杂的治疗和/或调解人,即使在控制了可观察到的,以及样本选择/结果磨损的不可替代的选择。我们提出了一种方法,在存在这种并发症的情况下,使用的方法是基于一系列线性规划问题的边界的直接和间接的影响。考虑到逆概率加权的倾向分数,我们计算的权重,将产生识别的情况下的并发症和扰动它们的熵参数反映了特定量的倾向分数误设定,以确定感兴趣的影响。我们应用我们的方法,从全国青年纵向调查1979年的数据,得出的解释和解释不清的成分的性别工资差距分解,很可能倾向于不可解释的调解人的选择和结果的磨损的界限。
2020-05-03 econ.EM stat.ME
Model-assisted complier average treatment effect estimates in randomized experiments with non-compliance and a binary outcome
在随机化实验中,某些实验单位接受的实际治疗可能与其治疗分配不同。临床试验、社会实验以及随机化实验在许多领域的应用中经常出现这种不依从问题。在某些假设下,合规者的平均处理效应是可识别的,等于潜在结局的意向治疗效果与接受的潜在治疗效果的比值。为了提高估计效率,我们提出了三个模型辅助估计的编译器平均处理效应在随机实验中的二元结果。我们研究了它们的渐近性质,比较了它们与Wald估计的效率,并提出了Neyman型保守方差估计,以方便有效的推断。此外,我们将我们的方法和理论推广到估计乘性复杂平均处理效应。我们的分析是基于随机化的,允许工作模型被错误指定。最后,我们进行了模拟研究,以说明模型辅助方法的优势,并将这些分析方法应用于随机实验中,以评估学术服务或激励对学业成绩的影响。
2022-04-16 stat.ME
Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies
本文提出了一种降维的基于结果加权学习的方法,用于在观察性研究中更准确地估计个体化治疗方案,通过降低协变量维度以提高模型性能和可解释性。
2026-01-11 cs.LG stat.ME stat.ML
Heterogeneous Treatment Effects for Networks, Panels, and other Outcome Matrices
我们感兴趣的是一个实验的处理效应的分布,其中单位被随机分配到一个治疗,但结果是衡量成对的单位。例如,我们可以衡量参加小额信贷计划的家庭之间的风险分担联系,暴露于贸易冲击的工人和公司之间的雇佣关系,或者投标人对分配给拍卖形式的物品的出价。当分配给相同治疗的单位之间存在社会互动、市场外部性或其他溢出效应时,这种双重随机实验设计可能是合适的。或者它可以描述一个自然的或准实验给研究人员。在本文中,我们提出了一个新的经验策略,比较与每个治疗相关的结果矩阵的特征值。我们的建议是基于一个新的矩阵模拟的Fréchet-Hoeffding界限,发挥了关键作用的标准理论。我们首先使用这个结果来约束处理效应的分布。然后,我们提出了一个新的矩阵模拟的分位数处理效应,这是由不同的特征值。我们称之为模拟光谱处理效应。
2022-10-07 econ.EM stat.ME
An Inverse Probability Weighted Regression Method that Accounts for Right-censoring for Causal Inference with Multiple Treatments and a Binary Outcome
比较有效性研究通常涉及使用观察数据评估两种或更多种治疗之间感兴趣事件的风险差异。通常,关注的治疗后结局是事件是否在预先指定的时间窗内发生,这导致二元结局。估计因果处理效应的偏倚来源之一是混杂因素的存在,通常使用基于倾向得分的方法进行控制。偏倚的另一个来源是右删失,当由于脱落、研究终止或在关注事件发生前治疗转换而无法完全获得关注结局的信息时发生。我们提出了一种基于逆概率加权回归的估计,可以同时处理混杂和右删失,称为CIPWR方法,字母C突出了删失组件。CIPWR通过对从使用加权得分函数拟合的逻辑斯谛回归模型获得的预测结果求平均值来估计平均处理效应。CIPWR估计量具有双重稳健性,因此当正确指定结局模型或治疗和删失模型时,可以实现估计一致性。我们建立了CIPWR估计进行推断的渐近性质,并通过模拟研究,比较其有限样本性能与几个替代方案。将比较的方法应用于来自保险索赔数据库的前列腺癌患者队列,以比较晚期前列腺癌的四种候选药物的不良反应。
2022-05-17 stat.ME
Estimation and Validation of Ratio-based Conditional Average Treatment Effects Using Observational Data
Stanford University(斯坦福大学);Biogen International GmbH(渤健国际有限公司);PwC Data & Analytics(普华永道数据与分析部);NeuroTransData(神经转归数据公司)
虽然随机临床试验中的样本量足够大,可以很好地估计平均处理效应,但它们通常不足以估计对研究数据驱动的精准医学至关重要的治疗-协变量相互作用。来自现实世界实践的观测数据可能在缓解这一问题方面发挥重要作用。试验中的一种常见方法是在每个治疗组中使用单独的回归模型预测关注的结果,并基于预测的对比估计处理效应。不幸的是,当回归模型被错误指定时,这种简单的方法可能会在观察性研究中诱导虚假的治疗-协变量相互作用。出于对多发性硬化患者复发次数建模的需要,复发率的比率是治疗效果的自然选择,我们建议将条件平均处理效应(CATE)估计为预期潜在结果的比率,并在治疗协变量相互作用的半参数模型中推导出该CATE的双重稳健估计。我们还提供了一个验证过程,以检查独立样本的估计量的质量。我们进行模拟,以证明有限样本的性能,所提出的方法,并通过检查富马酸二甲酯的处理效应相比特立氟胺在多发性硬化症患者的实际数据,说明其优势。
2020-04-21 cs.LG stat.ME stat.ML