A regression tree approach to identifying subgroups with differential treatment effects
在与癌症等难以治疗的疾病的斗争中，通常很难发现使所有受试者受益的新疗法。对于监管机构的批准，更实际的做法是确定治疗效果增强的受试者亚组。回归树对于这个任务来说是很自然的，因为它们划分了数据空间。我们简要回顾现有的回归树算法。然后，我们介绍了三个新的，几乎是免费的选择偏差，适用于两个或两个以上的治疗，删失的反应变量，和预测变量的缺失值。该算法通过使用三个关键思想扩展了GUIDE方法：（i）作为线性预测因子的治疗，（ii）卡方检验以检测残差模式和拟合不足，以及（iii）通过泊松回归进行比例风险建模。重要性分数与阈值确定有影响力的变量作为副产品获得。使用自举技术构建每个节点中处理效应的置信区间。真实数据和模拟数据被用来比较的方法。
2014-10-07 stat.ME
Identifying effects of multiple treatments in the presence of unmeasured confounding
在存在不可测量的混杂因素的情况下识别处理效应是社会、生物和医学科学中的一个持续问题。在统计遗传学和生物信息学环境中，多种治疗方案中的不可测量混杂问题最常见，研究人员已经开发出许多成功的统计策略，但没有深入研究问题的因果关系。最近有一些尝试弥合这些统计方法和因果推断之间的差距，但这些尝试要么被证明是有缺陷的，要么依赖于完全参数化的假设。在本文中，我们提出了两种策略，用于识别和估计因果关系的影响，在存在不可测量的混杂因素的多种治疗。辅助变量方法利用了与结果没有因果关系的变量;在单变量混杂因素的情况下，我们的方法只需要一个辅助变量，不像现有的工具变量方法需要尽可能多的工具，因为有治疗。另一种无效治疗方法依赖于至少一半混杂治疗对结局无因果影响的假设，但不需要先验知识来确定哪些治疗无效。我们的识别策略不对结果模型施加参数假设，也不依赖于对混杂因素的估计。本文扩展和概括了现有的工作与生物信息学中常用的单一治疗和模型的不可测量的混杂。
2022-07-09 stat.ME
IntelligentPooling: Practical Thompson Sampling for mHealth
Stanford University（斯坦福大学）；Harvard University（哈佛大学）；University of Michigan（密歇根大学）
在移动健康（mHealth）中，智能设备随着时间的推移反复向用户提供行为治疗，目的是帮助用户采用和保持健康的行为。强化学习似乎是学习如何最佳地做出这些顺序治疗决策的理想选择。然而，在强化学习可以有效地部署在移动医疗环境中之前，必须克服重大挑战。在这项工作中，我们关注以下挑战：1）处于相同背景下的个体可能对治疗表现出不同的反应2）只有有限的数据可用于学习任何一个个体，以及3）对治疗的非平稳反应。为了解决这些挑战，我们推广的爱普生采样强盗算法开发智能池。IntelligentPooling学习个性化的治疗策略，从而解决挑战之一。为了解决第二个挑战，IntelligentPooling更新每个用户的个性化程度，同时利用其他用户的可用数据来加速学习。最后，IntelligentPooling允许响应度随着用户自开始治疗以来的时间而变化，从而解决挑战三。我们表明，智能池实现了平均26%的遗憾比国家的最先进的。我们证明了这种方法的承诺，它的能力，即使是一小群用户在现场临床试验中学习。
2020-12-12 cs.CY cs.LG stat.ML
Identifying treatment effect heterogeneity in dose-finding trials using Bayesian hierarchical models
药物开发中的一项重要任务是确定患者对实验性治疗的反应更好或更差。识别影响处理效应并可用于定义患者亚组的预测协变量是这项任务的关键方面。然而，已知处理效应异质性分析具有挑战性，因为可能的协变量或亚组的数量通常很大，而药物开发早期阶段的样本量通常很小。此外，区分预测协变量与预后协变量（其影响与给定治疗无关的反应）通常很困难。虽然已经提出了许多解决这些问题的方法，但大多数方法都集中在两组临床试验环境中，即给予患者治疗或对照。在本文中，我们考虑平行组剂量探索试验，其中患者给予不同剂量的相同治疗。为了研究这种情况下的处理效应异质性，我们提出了一个协变量对剂量反应参数有影响的贝叶斯分层剂量反应模型。我们利用收缩先验来防止过度拟合，当考虑的协变量数量很大而样本量很小时，过度拟合很容易发生。我们在模拟中比较了几个这样的先验，并研究了预后和预测效应的相关建模，以更好地区分这两种类型的效应。我们说明了使用我们提出的方法，使用II期剂量探索试验，并显示它如何可以用来确定预测协变量和亚组的患者增加处理效应。
2018-11-26 stat.ME
Identifying Effects of Multivalued Treatments
多值处理模型通常在限制性假设下进行研究：有序选择，最近无序单调性。我们展示了如何在更一般的一类模型中识别处理效应，该模型允许多维未观察到的异质性。我们的研究结果依赖于两个主要的假设：治疗分配必须是一个可测量的函数的阈值交叉规则，必须有足够的连续仪器。我们说明了我们的方法的几类模型。
2018-04-30 econ.EM stat.ME
Identifying compromise solutions across multiple treatment benefit-harm profiles in multivariate network meta-analysis
Institute of Medical Biometry and Statistics, Faculty of Medicine and Medical Center-University of Freiburg（弗赖堡大学医学院医学生物计量与统计研究所）；Oslo Center for Biostatistics and Epidemiology, Department of Biostatistics, University of Oslo（奥斯陆大学生物统计系奥斯陆生物统计与流行病学中心）
本文提出基于多变量网络荟萃分析的框架，结合混合相关模型和VIKOR算法，评估跨结局的治疗获益-危害特征并识别折中方案，开发R包mvnma并应用于两个临床数据集。
2026-10-19 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
A Deep Subgrouping Framework for Precision Drug Repurposing via Emulating Clinical Trials on Real-world Patient Data
The Ohio State University（俄亥俄州立大学）；Cleveland Clinic（克利夫兰诊所）
本文提出STEDR框架，通过模拟真实世界临床试验并结合亚组特异性治疗效果学习，在阿尔茨海默病中识别出14种对特定患者亚组有效的重定位候选药物，实现精准药物重定位。
2024-12-29 cs.AI cs.LG stat.AP
The role of assignment in defining and identifying causal effects in randomized trials
本文通过实例论证随机试验中符合方案效应与治疗策略效应不同，两者识别均需分配信息，并强调明确分配作用对因果推断的重要性。
2025-09-24 stat.ME
Identifying Treatment Effects using Trimmed Means when Data are Missing Not at Random
在临床试验中，患者经常因为健康状况没有改善而停止治疗。因此，在试验结束时仍在研究中的患者的平均健康结果比初始患者人群（如果每位患者都完成了试验）的健康结果更好。如果我们只分析完成试验的患者，那么这种缺失数据问题会使药物疗效的估计产生偏差，因为研究结果是非随机缺失（MNAR）。克服这一问题的一种方法-缺失数据的修剪均值方法-将缺失值设置为略差于观察到的最差结果，然后在计算治疗疗效差异之前修剪掉每个治疗组的一部分分布（Permutt 2017，Pharmaceutical statistics 16.1：20-28）。在本文中，我们推导出充分和必要条件时，这种方法可以确定平均人口处理效应的MNAR数据的存在。数值研究表明，当数据为MNAR且缺失与不利结局密切相关时，修剪均值方法能够有效估计治疗疗效，但当数据为随机随机缺失（MAR）时，修剪均值方法失败，此时更好的方法是对缺失值进行乘法插补。如果已知临床试验中止的原因，分析人员可以在每个缺失数据机制的假设成立时，结合使用多重插补（MI）和修剪均值法来改进估计值。当假设是合理的，使用修剪的手段可以帮助识别处理效应，尽管MNAR数据。
2019-11-21 stat.ME
On the Identifying Power of Generalized Monotonicity for Average Treatment Effects
University of Southern California（南加州大学）；University of Chicago（芝加哥大学）；MIT（麻省理工学院）；Yale University（耶鲁大学）
本文探讨了广义单调性对平均处理效应识别能力的影响，指出在特定条件下，更强的限制可提升识别能力。
2025-11-18 econ.EM stat.ME
Identifying Treatment and Spillover Effects Using Exposure Contrasts
University of California, Santa Cruz（加州大学圣克鲁兹分校）
本文提出通过暴露对比方法识别治疗和溢出效应，探讨了在无偏条件下避免符号反转的条件，适用于集群随机试验、网络实验和具有同伴效应的观察性研究。
2026-07-28 econ.EM stat.ME
Encoding and inference on separable effects for sustained treatments
本文研究持续治疗策略下时变治疗的可分离效应，提出非传统编码方式获得简洁识别假设，并启发双重稳健半参数有效估计量，应用于SPRINT试验评估改良血压治疗对急性肾损伤风险的影响。
2025-08-14 stat.ME
Identifying Causal Effects Using Instrumental Variables from the Auxiliary Dataset
Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）；Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学应用统计学院和统计学院）
本文提出利用辅助数据集中的工具变量结合结构方程模型，解决非线性治疗效应下的因果效应估计问题，通过构建控制函数和投影方法，提出三步估计器并进行实证分析。
2026-03-29 stat.ME
Two-Phase Treatment with Noncompliance: Identifying the Cumulative Average Treatment Effect via Multisite Instrumental Variables
University of Chicago（芝加哥大学）
本文提出了一种通过多站点工具变量识别两阶段治疗累积平均治疗效应的方法，解决了不合规行为和排除限制问题，并通过模拟和实证研究验证了其有效性。
2026-01-30 stat.AP stat.ME
Identifying Causal Effects in Experiments with Spillovers and Non-compliance
本文展示了如何使用随机饱和实验设计来识别和估计存在溢出效应的因果效应-一个人的治疗可能会影响另一个人的结果-和单侧不依从性-受试者只能被提供治疗，而不是被迫接受治疗。在这种情况下，两种不同的因果效应是有意义的：直接效应量化了一个人自己的治疗如何改变她的结果，而间接效应量化了她的同伴的治疗如何改变她的结果。我们考虑的情况下，溢出发生在已知的群体，并采取决定是不变的同行的实现提供。在这种情况下，我们点识别治疗的治疗效果，直接和间接的，在一个灵活的随机系数模型，允许异质性处理效应和内源性选择到治疗。我们继续提出一个可行的估计，是一致的，渐近正常的数量和规模的群体的增加。我们应用我们的估计数据从一个大规模的就业安置服务实验，并发现负的间接处理效应的就业可能性，为那些愿意采取的程序。这些负面溢出效应被自身吸收的正面直接处理效应所抵消。
2023-01-04 econ.EM stat.ME
Bayesian inference for optimal dynamic treatment regimes in practice
在这项工作中，我们研究了最近开发的贝叶斯推断的最佳动态治疗方案（DTRs）的方法。DTR是一套治疗决策规则，旨在根据患者的具体特征定制患者护理，因此属于精确医学领域。在这一领域，研究人员寻求量身定制治疗，以改善健康结果;因此，他们最感兴趣的是确定最佳DTR。最近的工作已经开发了贝叶斯方法，用于经由贝叶斯动态边际结构模型（MSM）来识别由$ψ$索引的家族中的最佳DTR（Rodriguez Duque等人，2022 a）;我们回顾了提出的估计程序，并通过新的贝叶斯DTRR包说明了其使用。虽然在（Rodriguez Duque et al.，2022 a）可以很好地估计最佳DTR，但当人群中的每个人都遵循给定治疗策略（称为值函数）的预期结果模型被错误指定时，或者当采用网格搜索最佳值时，它们可能会导致有偏估计。我们描述了最近的工作，其使用在值函数上先验的高斯过程（$GP$）作为鲁棒地识别最佳DTR的手段（Rodriguez Duque等人，2022 b）。我们演示了如何$GP$的方法可以实现与贝叶斯DTR包，并与其他价值搜索方法，以确定最佳DTR的对比。我们使用来自HIV治疗试验的数据来说明这些方法的标准分析，使用原始观察到的试验数据和额外的模拟组件来展示纵向（两阶段DTR）分析。
2023-03-27 stat.ME
Treatment Allocation under Uncertain Costs
University of California, San Diego（加利福尼亚大学圣迭戈分校）；Booth School of Business, University of Chicago（芝加哥大学布斯商学院）；Didi Chuxing Technology Company（滴滴出行科技有限公司）；Meta Platforms, Inc.（Meta平台公司）；Graduate School of Business, Stanford University（斯坦福大学商学院）
本文研究在不确定成本下如何最优分配治疗，提出基于优先级评分的阈值规则，并通过随机试验数据学习这些评分。
2026-06-07 stat.ME
Identifying average causal effect in regression discontinuity design with auxiliary data
本文针对断点回归设计中远离阈值处平均因果效应难以识别的问题，提出利用辅助变量和额外数据集的识别框架，并给出三种估计方法及渐近推断程序，通过模拟和维生素A补充剂对儿童自闭症严重程度的实证分析验证了方法的有效性。
2025-01-03 stat.ME
Identifying and Measuring Treatment-Effect Heterogeneity across Sites through Within-Site Randomization
Keio University（庆应义塾大学）；RIKEN（理化学研究所）
该研究针对平行整群随机试验无法识别剩余异质性等问题，提出站点内随机化方法，通过优化配对站点选择等，在国际卒中试验和洪都拉斯村庄实验中验证了该方法可降低估计条件方差、减少剩余变异。
2026-10-14 stat.ME
Uncertainty quantification and multi-stage variable selection for personalized treatment regimes
Department of Economics, Management and Statistics, University of Milano-Bicocca（米兰比可卡大学经济、管理与统计系）
本文提出了一种贝叶斯模型，用于优化动态治疗方案，通过处理反事实变量来处理最优决策序列的不确定性，并引入新的尖峰- slab先验来实现多阶段变量选择，以提高高维协变量的处理能力。
2026-06-04 stat.ME
Identifying Treatment Effect Heterogeneity with Bayesian Hierarchical Adjustable Random Partition in Adaptive Enrichment Trials
McGill University（麦吉尔大学）；Concordia University（康科迪亚大学）
本文提出BHARP模型，通过贝叶斯分层可调随机分区方法识别治疗效应异质性，提升临床试验中亚组反应估计的准确性和精度。
2026-03-04 stat.AP stat.ME
Identifying mediating variables with graphical models: an application to the study of causal pathways in people living with HIV
我们的经验表明，图形模型可以是一个有价值的工具，在因果通路中的中介变量的识别。我们利用图形模型来阐明因果关系的途径，通过该途径治疗影响艾滋病毒感染者（PLHIV）的疲劳和虚弱程度的基础上，在行为临床试验中收集的分类数据集的二次分析：虚弱是治疗和疲劳的调解人，还是疲劳是治疗和虚弱的调解人？因果中介分析无法给出这些问题的明确答案。关键词：列联表;图形模型;对数线性模型;艾滋病毒;调解
2019-07-10 stat.AP stat.ME
Causal Stability Selection
University of California, Los Angeles（加州大学洛杉矶分校）；Duke University（杜克大学）
本文提出因果稳定性选择算法，结合交叉拟合的条件平均处理效应估计与集成路径稳定性选择，提供非渐近的虚假正例界，建立处理效应估计与效应修饰发现的直接联系。
2026-08-11 stat.ME
Identifying Principal Stratum Causal Effects Conditional on a Post-treatment Intermediate Response
在早期乳腺癌的新辅助治疗试验中，患者通常被随机分配到对照组和具有额外靶向治疗的治疗组。通过二元病理学完全缓解（pCR）评估新方案的早期疗效，并通过长期临床结局（如生存期）评估最终疗效。尽管pCR与生存率密切相关，但尚未证实其为替代终点。为了充分理解其临床意义，重要的是建立因果被估量，例如在新方案下将实现pCR的患者的生存率的因果效应。在主分层框架下，以往的研究主要集中在通过改变模型参数对反事实结果进行敏感性分析。在温和的假设下，我们提出了一种方法来估计这些模型参数，使用经验数据，随后的因果估计的兴趣。我们还扩展了我们的方法来处理删失的结果数据。该方法适用于最近的临床试验，其性能通过模拟研究进行评估。
2022-03-20 stat.AP stat.ME
An Algorithm for Identifying Interpretable Subgroups With Elevated Treatment Effects
Department of Political Science, Stanford University（政治学系，斯坦福大学）
提出一种基于条件平均处理效应（CATE）估计识别可解释子群的算法，利用规则集刻画高阶交互，通过权衡子群规模与效应规模生成Pareto最优规则集前沿，辅助决策与政策实施。
2025-07-13 cs.LG econ.EM stat.ME
Can the potential benefit of individualizing treatment be assessed using trial summary statistics alone?
个体化治疗分配可以改善比较处理效应存在患者间差异的疾病的结局。当临床试验证明一些患者在治疗后有所改善，而另一些患者则没有改善时，很容易假设存在处理效应异质性。但是，如果反应的变异性主要由治疗以外的因素驱动，则研究协变量数据可以预测差异治疗反应的程度可能是资源的浪费。最近的荟萃分析的动机，评估的潜力，个性化治疗的抑郁症，只使用汇总统计，我们提供了一种方法，使用汇总统计广泛提供的临床试验结果，以约束的好处，最佳分配治疗每一个病人。我们还提供了替代边界的设置中，试验结果分层的另一个协变量。我们使用抑郁症治疗试验的汇总统计数据证明了我们的方法。我们的方法在rct2otrbounds R包中实现，该包可在https://github.com/ngalanter/rct2otrbounds上获得。
2022-10-31 stat.AP stat.ME
Nonparametric Heterogeneous Treatment Effect Estimation in Repeated Cross Sectional Designs
确定人口对健康或政策干预的反应的异质性对于评估和告知政策决定至关重要。我们提出了一种新的异质性处理效应估计的差异中的差异设计与重复的横截面数据，在那里我们观察不同的样本的人口在两个时间段分开的政策干预，以及作为控制的人口样本。我们的估计器具有正交特性，能够快速学习处理效应，同时允许较慢的速率估计滋扰成分。我们的建议在各种模拟设置中显示出有前途的经验性能。
2021-08-22 stat.ME
RAPSEM: Identifying Latent Mediators Without Sequential Ignorability via a Rank-Preserving Structural Equation Model
Methods Center（方法中心）；Eberhard Karls Universität Tübingen（蒂宾根大学）
提出秩保持结构方程模型（RAPSEM），利用G估计和两阶段矩方法，在弱假设下识别潜在中介变量，并通过模拟和实证研究验证其稳健性。
2026-10-21 stat.ME
A novel approach for identifying and addressing case-mix heterogeneity in individual participant data meta-analysis
研究间病例组合的异质性使荟萃分析复杂化。因此，对患者亚组同样有效的治疗可能对不同病例组合的患者人群具有不同的有效性。因此，重要的是，荟萃分析应明确描述处理效应的患者人群。为了实现这一目标，我们开发了一种新的方法，用于随机临床试验的荟萃分析，该方法使用来自所有试验的个体患者数据（IPD）来推断给定试验中患者人群的处理效应，基于使用结局回归（OCR）或逆概率加权（IPW）的直接标准化。伴随随机效应荟萃分析模型的开发。新的方法能够解开异质性，由于病例组合，由于超出病例组合的原因。
2021-08-24 stat.AP stat.ME
Generalizing treatment effects with incomplete covariates: identifying assumptions and multiple imputation algorithms
我们关注的问题是将随机对照试验（RCT）中估计的因果效应推广到由观察数据中的一组协变量描述的目标人群。可用的方法，如反向倾向抽样加权不是设计来处理缺失值，但这是常见的两个数据源。除了耦合因果效应可识别性和缺失值机制的假设以及定义适当的估计策略外，一个困难是考虑具有两个来源的数据的特定结构以及仅在RCT中可用的治疗和结局。我们提出了三种多重插补策略来处理缺失值时，推广处理效应，每一个处理不同的多源结构的问题（单独填补，联合填补固定效果，联合填补忽略源信息）。作为替代多重插补，我们还提出了一种直接估计方法，将不完全协变量作为半离散变量。多重插补策略和后一种替代方法依赖于关于缺失值对可识别性影响的不同假设集。我们讨论这些假设，并通过广泛的模拟研究评估的方法。这项工作的动机是分析了超过20，000例重大创伤患者的大型注册表和一项研究氨甲环酸给药对入住ICU的重大创伤患者死亡率影响的RCT。该分析说明了缺失值处理如何影响从RCT推广至目标人群的效应结论。
2023-02-24 stat.AP 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
$β$-Intact-VAE: Identifying and Estimating Causal Effects under Limited Overlap
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）
作为因果推断中的一个重要问题，我们讨论了有限重叠下的处理效应（TE）的识别和估计，也就是说，当具有某些特征的受试者属于一个单一的治疗组。我们使用一个潜在变量来模拟一个预后评分，该评分在生物统计学中广泛使用，并且足以用于TE;即，我们建立了一个生成预测模型。我们证明了潜在变量恢复了预后评分，并且模型识别了个体化处理效应。然后将该模型学习为β-Intact-VAE-一种新型的变分自动编码器（VAE）。我们推导出TE误差界，使代表平衡的治疗组条件个性化的功能。所提出的方法相比，最近的方法使用（半）合成数据集。
2021-10-11 cs.LG econ.EM stat.ME
Unsupervised dense random survival forests identify interpretable patient profiles with heterogeneous treatment benefit
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；Amgen（安进）；Telperian（特尔佩里安）
本文提出无监督的密集随机生存森林方法，用于识别具有异质治疗效益的患者亚组，通过模拟和临床试验验证其有效性。
2026-01-04 stat.ME
On Quantile Treatment Effects, Rank Similarity,and Variation of Instrumental Variables
针对不可分离内生性下的分布处理效应识别，本文弱化秩相似性假设，借助线性半无限规划构造识别界，并证明经验规划的大样本性质。
2025-10-19 econ.EM stat.ME
Identifying Causes of Test Unfairness: Manipulability and Separability
Teachers College, Columbia University（哥伦比亚大学教师学院）；University of Macau（澳门大学）
本研究通过干预主义方法分解不可操作处理变量，识别测试中差异项目功能的因果来源，并利用因果机器学习方法检测偏见项目。
2026-08-20 stat.AP stat.ME
General Identification of Dynamic Treatment Regimes Under Interference
Johns Hopkins University（约翰斯·霍普金斯大学）；Adobe Inc.（奥多比公司）
在许多应用领域，研究人员往往有兴趣定制治疗单位级的特点，以优化感兴趣的结果。确定和估计治疗策略的方法是动态治疗方案文献的主题。另外，在许多情况下，由于受试者间的依赖性，数据独立且同分布的假设不成立。受试者的结果取决于其邻居的暴露的现象被称为干扰。这些领域在无数的现实世界中相互交叉。在本文中，我们考虑的问题，确定最佳的治疗政策存在的干扰。使用干扰的一般表示，通过Lauritzen-Werken-Freydenburg链图（Lauritzen和Richardson，2002），我们正式确定了干扰下的各种政策干预，并扩展了现有的识别理论（Tian，2008; Sherman和Shpitser，2018）。最后，我们在一个模拟研究中说明了干扰下的政策最大化的功效。
2020-04-02 cs.AI cs.LG stat.ME
An introduction to flexible methods for policy evaluation
本章涵盖了评估治疗或干预措施对相关结果的因果影响的政策评估的不同方法。作为对因果推断的介绍，讨论从随机治疗的实验评价开始。然后回顾了基于可观察量选择的评价方法（假设在给定观察协变量的情况下进行准随机治疗）、工具变量（诱导治疗中的准随机变化）、差异中的差异和变化中的变化（利用随时间推移的结局变化）以及回归不连续性和扭结（使用运行变量的某个阈值下治疗分配的变化）。本章讨论了特别适用于具有许多观察结果的数据的方法，用于处理效应的灵活（即半参数或非参数）建模，和/或通过应用机器学习以数据驱动的方式选择和控制协变量的许多（即高维）观察协变量。这不仅可用于通过控制例如共同影响治疗和结局的因素来解决混杂问题，而且还可用于根据可观察协变量定义的亚组之间的学习效应异质性，并最佳地针对治疗最有效的那些组。
2019-10-01 econ.EM stat.ME stat.ML
A pseudo-outcome-based framework to analyze treatment heterogeneity in survival data using electronic health records
本文提出基于伪结局的生存数据HTE分析框架，整合元学习器、变量重要性与亚组选择，并在哮喘EHR数据中识别WAAP高获益脆弱亚组。
2024-05-17 stat.AP stat.ME
Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems
Sir Lawrence Wackett Defence and Aerospace Centre, RMIT University（皇家墨尔本理工大学劳伦斯·瓦克特爵士国防与航天中心）；Defence Science and Technology Group（国防科学与技术集团）
本文提出简约动态模式分解（parsDMD）算法，结合时延嵌入与正交匹配追踪（OMP），解决传统spDMD需手动调参的问题，实现最优稀疏模式自动选择，在多数据集验证中噪声鲁棒性更强、识别重构更准确，适用于多学科复杂系统分析。
2024-11-29 cs.LG eess.SP math.DS
Model-assisted design of experiments in the presence of network correlated outcomes
我们考虑的问题，如何分配治疗的随机实验中，结果之间的相关性是由一个网络可用的预干预通知。在潜在结果因果框架内工作，我们开发了一类模型，该模型支持结果之间的这种相关结构。然后，我们利用这些模型来开发有限的随机化策略，通过最小化估计的平均处理效应的均方误差来最佳地分配治疗。由于模型和随机化分布，均方误差的分析分解提供了对最优设计方面的见解。特别是，分析提出了新的概念，平衡的基础上特定的网络数量，除了经典的协变量平衡。由此产生的平衡，最优的限制随机化策略仍然是设计无偏的，在用于导出它们的模型不成立的情况下。我们说明了建议的治疗分配策略如何改善分配，忽略了网络结构，广泛的模拟。
2017-05-18 cs.SI physics.soc-ph stat.ME
Identifying and estimating effects of sustained interventions under parallel trends assumptions
本文在平行趋势假设下推导了持续干预人群效应的识别结果，开发了基于逆概率加权、结果回归和目标最大似然的双重稳健估计量，并应用于估计美国COVID-19期间居家令对全因死亡率的影响。
2022-09-29 math.ST stat.ME stat.TH
Identifying Causal Effects Using a Single Proxy Variable
Lakera AI
本文研究如何通过单一代理变量识别因果效应，提出SPICE假设并扩展了代理基于因果可识别性结果，开发了SPICE-Net神经网络估计框架。
2026-09-28 cs.LG math.ST stat.ME
Personalized Treatment Selection via Product Partition Models with Covariates
针对精准医学中的治疗选择问题，提出一种基于协变量的产品划分模型，通过灵活聚类患者并利用预测推断选择最优治疗，避免启发式聚类的不确定性低估，在异质性场景下表现优异，并能估计聚类反应概率以识别获益患者。
2023-09-01 stat.AP stat.ME
Policy Learning with Distributional Welfare
本文提出基于个体处理效应条件分位数（QoTE）的最佳处理分配策略，以解决平均福利在异质性个体下的不良分配问题，并引入对模型不确定性鲁棒的极小化极大策略，建立了后悔渐近界。
2025-04-29 econ.EM math.ST stat.ME
On a necessary and sufficient identification condition of optimal treatment regimes with an instrumental variable
不可测混杂对因果推理和个体化决策是一种威胁。与Cui和Tchetgen Tchetgen（2020）; Qiu等人（2020）; Han（2020 a）类似，我们考虑了使用有效工具变量识别最佳个体化治疗方案的问题。Han（2020 a）使用Cui和Tchetgen Tchetgen（2020）的条件Wald估计量提供了最佳治疗方案的替代识别条件; Qiu等人（2020）在治疗分配受内分泌影响且有效的二元工具变量可用时。本文给出了利用条件Wald估计量确定最优治疗方案的一个充要条件。Cui和Tchetgen Tchetgen（2020）; Qiu等人（2020）; Han（2020 a）的研究必然暗示了我们的新情况，并且可能继续存在于先前结果未涵盖的各种潜在环境中。
2021-09-29 math.ST stat.ME stat.TH
fkbma: An R Package for Detecting Tailoring Variables with Free-Knot B-Splines and Bayesian Model Averaging
本文介绍 R 包 fkbma，利用自由节点 B 样条与贝叶斯模型平均识别治疗适配变量，并通过模拟和真实数据验证其应用价值。
2025-03-17 stat.CO stat.ME
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型，代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下，我们感兴趣的是确定在每个阶段的个人的平均结果，有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应（ATE）和关于转变的ATE，以及最佳处理方案，即，使平均潜在结果的（加权）和最大化的方案，可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明，感兴趣的参数下确定每个时期的双向排除限制，即，结果确定过程中排除了工具，治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下，后者的变量是不可用的。最后，我们将我们的结果扩展到一个设置，治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
