Conformal Prediction With Conditional Guarantees
本文将条件覆盖重构为协变量偏移类上的覆盖,提出在边际与条件有效性之间插值的保形预测框架,可在有限维目标下实现精确有限样本覆盖,并量化无限维情形下的覆盖误差。
2024-09-16 stat.ME
Diffusion Source Identification on Networks with Statistical Confidence
University of Virginia(弗吉尼亚大学)
网络扩散源识别在谣言控制和病毒识别等广泛的应用中具有重要意义。虽然这个问题最近受到了极大的关注,但大多数研究都只关注非常严格的设置,缺乏更现实的网络的理论保证。我们引入了一个统计框架的研究扩散源识别和发展的置信集推理方法的假设检验的启发。我们的方法有效地产生了一个小的节点子集,它可证明覆盖源节点与任何预先指定的置信水平,没有限制性的假设网络结构。此外,我们提出了多个Monte Carlo策略的推理过程的基础上,网络拓扑结构和概率属性,显着提高了可扩展性。据我们所知,这是第一个扩散源识别方法,在一般网络上有实际有用的理论保证。我们通过对众所周知的随机网络模型和城市之间关于COVID-19传播的移动网络进行广泛的合成实验来证明我们的方法。
2021-06-17 cs.LG cs.SI stat.ML
Isotonic subgroup selection
针对识别回归函数超阈值子集的子群选择问题,提出基于鞅检验与多重检验的多变量保序回归方法,满足非渐近一致第一类错误率保证且功效达极小极大最优速率,并在R包ISS中实现。
2023-06-28 math.ST stat.ME stat.TH
Partial Identification of Individual-Level Parameters Using Aggregate Data in a Nonparametric Model
Department of Economics, Massachusetts Institute of Technology(麻省理工学院经济学系)
本文提出在非参数模型中利用汇总数据部分识别个体层面参数的方法,并通过实证分析展示了条件通过率在不同群体和县之间的差异。
2025-12-03 econ.EM stat.ME
Efficient Subgroup Analysis via Optimal Trees with Global Parameter Fusion
Division of Biostatistics, University of California, Berkeley(加州大学伯克利分校生物统计学系);Helen Wills Neuroscience Institute, University of California, Berkeley(加州大学伯克利分校海伦·威尔斯神经科学研究所)
本文提出了一种融合最优因果树方法,利用混合整数优化提升子组分析的准确性与统计效率,并在模拟和实际数据中验证了其有效性。
2026-02-03 cs.LG stat.ML
Robust subgroup discovery
CWI(荷兰国家数学与计算机科学研究所);LIACS(莱顿大学高级计算机科学研究所)
我们介绍了鲁棒子群发现的问题,即,找到子集的一组可解释的描述,所述子集1)相对于一个或多个目标属性突出,2)在统计上是稳健的,以及3)非冗余的。已经进行了许多尝试,挖掘本地强大的子组或解决模式爆炸,但我们是第一个从全球建模的角度同时解决这两个挑战的。首先,我们用公式表示子组列表的广义模型类,即,子组的有序集合,用于可以由名义或数字变量组成的单变量和多变量目标,包括其定义中的传统的前1个子组发现。这种新的模型类使我们能够使用最小描述长度(MDL)原则,在那里我们诉诸最佳归一化最大似然和贝叶斯编码的名义和数字目标,分别正式的最佳鲁棒子群发现的问题。其次,寻找最优子群列表是NP难的。因此,我们提出了SSD++,一个贪婪的启发式,找到良好的子组列表,并保证最重要的子组根据MDL标准被添加到每次迭代。事实上,贪婪的增益被证明是等价于贝叶斯单样本比例,多项式,或t检验之间的子组和数据集的边缘目标分布加上多个假设检验惩罚。此外,我们在54个数据集上的经验表明,SSD++在质量、对未知数据的概括和子组列表大小方面优于以前的子组发现方法。
2022-06-30 cs.AI cs.LG stat.ML
Simultaneous Change Point Detection and Identification for High Dimensional Linear Models
本文针对高维线性模型提出同时进行变点检测与识别的新方法,通过检验回归系数同质性并利用 argmax 估计量定位变点,结合二分分割扩展至多变点情形,数值实验和阿尔茨海默病数据应用验证了其有效性。
2024-01-16 stat.ME
Causal Interaction Trees: Tree-Based Subgroup Identification for Observational Data
我们提出了因果关系树,以确定亚组的参与者,增强了处理效应使用观察数据。我们扩展了分类和回归树算法,使用分裂标准,重点是最大限度地提高组间处理效应异质性的基础上,亚组特定的处理效应估计,以决定在算法中的决策。我们推导出三个亚组特定的处理效应估计,占观察性质的数据-逆概率加权,g-公式和双稳健估计的属性。我们使用模拟研究所提出的算法的性能,并在一项观察性研究中实施该算法,以评估右心导管插入术对危重患者的有效性。
2020-03-06 stat.ME stat.ML
SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification
The Ohio State University(俄亥俄州立大学);Harvard Medical School(哈佛医学院)
本文提出 SubgroupTE 模型,通过识别异质治疗响应子群并联合优化子群划分与效应估计网络,提升治疗效应估计及个性化治疗推荐性能。
2024-01-22 cs.LG stat.ME
Supervised Bayesian joint graphical model for simultaneous network estimation and subgroup identification
School of Statistics and Data Science, Shanghai University of International Business and Economics(上海对外经贸大学统计与数据科学学院);School of Statistics and Data Science, Shanghai University of Finance and Economics(上海财经大学统计与数据科学学院);Department of Biostatistics, Yale School of Public Health(耶鲁公共卫生学院生物统计学系)
本文提出了一种监督式贝叶斯联合图模型,用于同时估计异质网络并识别亚组,通过引入新的相似性先验,提升了生物网络构建和亚组识别的临床意义。
2026-02-24 stat.ME
CAPITAL: Optimal Subgroup Identification via Constrained Policy Tree Search
University of California Irvine(加州大学欧文分校);North Carolina State University(北卡罗来纳州立大学);Merck & Co., Inc.(默沙东公司)
个性化医疗是一种针对患者特征的医学范式,是医疗保健中越来越有吸引力的领域。个性化医疗的一个重要目标是根据基线协变量确定一个患者亚组,该亚组从靶向治疗中获益大于其他比较治疗。目前大多数亚组识别方法只关注获得具有增强的处理效应的亚组,而不关注亚组大小。然而,一个有临床意义的亚组学习方法应该确定可以从更好的治疗中受益的患者的最大数量。在本文中,我们提出了一个最佳的亚组选择规则(SSR),最大限度地增加选定的患者数量,并在同一时间,实现了预先规定的临床有意义的平均结果,如平均处理效应。我们推导出两个等效的理论形式的最佳SSR的对比函数的基础上,描述的治疗协变量的相互作用的结果。我们进一步提出了一个约束策略树seArch aL租m(资本),以找到最佳的SSR内的可解释的决策树类。所提出的方法灵活地处理多个限制条件,这些限制条件会对纳入具有阴性处理效应的患者造成不利影响,并使用受限的平均生存时间作为临床关注的平均结局来解决事件发生时间数据。大量的模拟,比较研究和实际数据的应用进行证明我们的方法的有效性和实用性。
2023-01-29 cs.LG stat.AP stat.ME
A Nonparametric Method for Value Function Guided Subgroup Identification via Gradient Tree Boosting for Censored Survival Data
在具有生存结局的随机临床试验中,基于基线基因组、蛋白质组学标志物或临床特征的亚组识别越来越受到关注。一些现有的方法通过直接建模结果或处理效应来识别从实验处理中实质上受益的亚组。当目标是为给定患者找到最佳治疗而不是为给定治疗找到合适的患者时,个体化治疗方案框架下的方法估计个体化治疗规则,该个体化治疗规则将导致如由值函数测量的最佳预期临床结果。将价值函数的概念与亚组识别联系起来,我们提出了一种非参数方法,该方法通过最大化直接反映基于受限平均生存时间的亚组-治疗相互作用效应的价值函数来搜索亚组成员资格分数。提出了一种梯度树提升算法来搜索单个子组成员分数。我们进行模拟研究,以评估所提出的方法的性能和应用程序的艾滋病临床试验进行说明。
2020-06-15 stat.ME
Subgroup identification in dose-finding trials via model-based recursive partitioning
早期药物开发的一项重要任务是识别对实验性治疗反应更好或更差的患者。虽然已经针对研究实验性治疗和对照的试验的情况开发了各种不同的亚组识别方法,但是当患者被随机分配到不同剂量组时,所做的工作要少得多。在这篇文章中,我们提出了新的策略,在剂量探索试验中进行亚组分析,并讨论了在这种新的环境中出现的挑战。我们认为,基于模型的递归分割,这是最近被应用于亚组识别在两个手臂试验,作为一个有前途的方法来解决这些挑战,并评估其可行性使用一个真正的试验例子和模拟。我们的研究结果表明,基于模型的递归分区可以用来识别不同的剂量-反应曲线的患者亚组,并提高估计的处理效应和最小有效剂量,当患者之间的异质性。
2018-04-26 stat.ME
Multi-threshold Change Plane Model: Estimation Theory and Applications in Subgroup Identification
我们提出了一个多阈值变化平面回归模型,该模型自然地将观察到的受试者分成具有不同协变量效应的子组。基础分组变量是协变量的线性函数,因此多个阈值在协变量空间中形成平行变化平面。我们贡献了一个新的2阶段的方法来估计的子组的数量,阈值的位置和所有其他的回归参数。在第一阶段中,我们采用了一组选择原则,一致地确定的子群的数量,而在第二阶段的变化点的位置和模型参数的估计进行了改进的惩罚诱导平滑技术。我们的程序允许稀疏的解决方案相对中等或高维协变量。在适当的技术条件下,我们进一步建立了我们提出的估计量的渐近性质。我们通过模拟研究评估所提出的方法的性能,并使用两个医疗数据提供说明。我们的建议,亚组识别可能会导致立即应用于个性化医疗。
2018-08-02 stat.ME
Subgroup identification using individual participant data from multiple trials on low back pain
本研究使用基于多项非特异性腰痛试验 IPD 荟萃分析子集的合成数据,评估 MOB 与 metaMOB 识别差异化治疗效应亚组的应用,并强调同时考察截距和治疗效应异质性的必要性。
2023-11-02 stat.AP stat.ME
Propensity Score Analysis with Guaranteed Subgroup Balance
针对观察性研究中倾向得分模型设定偏误导致的子组治疗效应估计偏差问题,提出G-SBPS及核化kG-SBPS算法,保障子组协变量平衡,提升估计准确性,并经数值研究与真实数据集验证有效。
2024-04-17 stat.ME
Chiseling: Powerful and Valid Subgroup Selection via Interactive Machine Learning
Harvard University(哈佛大学);Stanford University(斯坦福大学)
针对现有受控子群选择方法存在的推断保证缺失、搜索受限或效率低下问题,提出交互式迭代收缩的chiseling框架,在极少假设下保障推断有效性,实验表现优于同类方法。
2025-10-29 stat.ME stat.ML
SIMBA -- A Bayesian Decision Framework for the Identification of Optimal Biomarker Subgroups for Cancer Basket Clinical Trials
The University of Texas at Austin(德克萨斯大学奥斯汀分校);BayeSoft Inc.(拜恩软件有限公司);LaNova Medicines Ltd.(朗维医药有限公司);The University of Chicago(芝加哥大学)
针对癌症篮子试验中不同适应症的最优生物标志物亚组识别问题,提出名为SIMBA的贝叶斯决策框架,通过层次模型跨适应症借信息,模拟显示其性能优于无信息借用的方法,可更准确识别获益患者亚群。
2025-05-19 stat.AP stat.ME
Subgroup Identification with Latent Factor Structure
针对协变量高度相关时子组识别困难的问题,提出因子增强线性模型下的中心增强子组识别方法,兼具降维与稀疏回归优势,计算复杂度低,并开发了R包SILFS。
2024-07-17 stat.ME
Latent Subgroup Identification in Image-on-scalar Regression
本文提出潜在子群图像对标量回归模型LASIR,通过引入个体潜在子群和特定组别的空间变化效应,利用随机期望最大化算法,有效识别神经影像数据中大脑活动与临床指标间的异质性关联。
2023-06-30 stat.ME
Subgroup Identification using Covariate Adjusted Interaction Trees
我们考虑在临床试验中识别具有增强的处理效应的参与者亚组的问题。基于组间处理效应差异的一些测量递归地划分协变量空间的递归划分方法对于这样的亚组识别是流行的。最常用的递归划分方法,分类和回归树算法,首先通过使用一些分裂标准递归地划分协变量空间来创建一棵大树,然后从大树的所有子树中选择最终的树。在亚组识别的背景下,分裂标准的计算和用于最终树选择的评价指标依赖于比较治疗组和对照组之间的平均值差异。当协变量对结局具有预测性时,与使用治疗组和对照组之间的平均值差异相比,协变量调整估计量能够提高效率。这份手稿开发了两个协变量调整估计,可用于分裂决策和最终的树选择。协变量调整递归分割算法的性能进行评估,使用模拟和分析的临床试验,评估是否动机访谈改善物质滥用者的治疗参与。
2018-06-21 stat.ME
Identification of relevant subtypes via preweighted sparse clustering
Harvard University(哈佛大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
聚类分析方法用于识别数据集中的同质子组。在生物医学应用中,人们经常使用聚类分析来识别生物学上感兴趣的亚组。特别地,人们可能希望识别与特定的感兴趣的结果相关联的子组。传统的聚类方法通常不能识别这样的子组,特别是当数据集中有大量的高方差特征时。当希望获得生物学上更有趣或与特定感兴趣结果更强相关的次级聚类时,常规方法可以识别与这些高方差特征相关联的聚类。稀疏聚类的修改可以用于识别这样的次级聚类或与感兴趣的结果相关联的聚类。这种方法正确地识别在几个模拟场景中感兴趣的集群。该方法也适用于颞下颌关节紊乱病和白血病微阵列数据集的大型前瞻性队列研究。
2016-09-21 cs.LG q-bio.QM stat.AP
Co-Supervised Tree Synthesis for Interpretable Subgroup Identification and Honest Treatment Effect Inference in Randomized Trials
The Pennsylvania State University(宾夕法尼亚州立大学);Florida State University(佛罗里达州立大学)
提出CausalSynthTree,用黑盒因果估计器指导可解释树构建,实现亚组识别与诚实推断,在模拟和真实试验中优于现有方法。
2026-10-06 stat.ME stat.ML
Identification of Subgroups With Similar Benefits in Off-Policy Policy Evaluation
Stanford University(斯坦福大学);Brown University(布朗大学);Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学)
用于顺序决策制定的非策略策略评估方法可用于帮助识别所提议的决策策略是否优于当前基线策略。然而,新的决策政策可能比一些人的基线政策更好,但不是其他人。这促使了对异质性治疗效果(HTE)的个性化和准确的按状态估计的推动。鉴于许多重要应用中存在的有限数据,单独的预测可能会降低这种预测的准确性和置信度。我们开发了一种方法来平衡个性化的需要与自信的预测,通过确定子组,它是可以自信地估计预期的差异,在一个新的决策政策相对于基线。我们提出了一种新的损失函数,占在子群划分阶段的不确定性。在实验中,我们表明,我们的方法可以用来形成准确的预测热膨胀系数,其他方法的斗争。
2021-11-28 cs.AI cs.LG stat.ME
Model-based Recursive Partitioning for Subgroup Analyses
识别具有不同处理效应的患者亚组是实现个体化治疗的第一步。EMA的现行指南草案讨论了亚组分析中的潜力和问题,并制定了开发适当统计程序的挑战,以用于数据驱动的患者亚组识别。我们介绍了基于模型的递归分割作为一个程序的自动检测的患者亚组,可识别的预测因素。该方法从研究方案中主要分析定义的总体处理效应模型开始,并使用检测该处理效应中参数不稳定性的指标。该过程产生具有对应于每个患者亚组的不同治疗参数的分段模型。通过决策树将子组与预测因素联系起来。该方法适用于搜索患有肌萎缩性侧索硬化症的患者亚组,这些患者亚组在阿曲唑处理效应方面不同,阿曲唑是目前唯一批准用于这种疾病的药物。
2016-05-18 stat.ME
Data-driven controlled subgroup selection in clinical trials
Statistical Laboratory, University of Cambridge(剑桥大学统计实验室);Novartis Pharma AG(诺华制药);Medical University of Vienna, Center for Medical Data Science, Institute of Medical Statistics(维也纳医科大学医学数据科学中心医学统计研究所);School of Mathematics and Maxwell Institute for Mathematical Sciences, University of Edinburgh(爱丁堡大学数学学院与麦克斯韦数学科学研究所);School of Mathematical Sciences, University of Southampton(南安普顿大学数学科学学院);School of Artificial Intelligence, Nanjing University(南京大学人工智能学院);School of Mathematical Sciences, Lancaster University(兰卡斯特大学数学科学学院)
本文提出基于广义线性建模和等比回归的两种方法,用于临床试验中数据驱动的亚组选择,以识别安全患者群体和高治疗效应群体,并控制I类错误率。
2026-01-30 stat.AP stat.ME
Identification of Parkinson's Disease Subtypes with Divisive Hierarchical Bayesian Clustering for Longitudinal and Time-to-Event Data
针对帕金森病的异质性,提出一种分裂层次贝叶斯聚类方法,结合多元纵向轨迹模型与生存数据半参数模型,从PPMI数据库中识别具有不同进展模式的特发性PD亚组。
2023-08-03 stat.ME
A Dirichlet Process Mixture Model for Clustering Longitudinal Gene Expression Data
亚群识别(聚类)是生物医学研究中的一个重要问题。基因表达谱通常用于定义亚组。纵向基因表达谱可能提供额外的信息,疾病的进展比什么是单独的基线配置文件捕获。此外,纵向基因表达数据允许在对患者分组时考虑个体内变异性。因此,亚组鉴定可以更准确和有效的纵向基因表达数据的帮助。然而,现有的统计方法无法充分利用这些数据进行患者聚类。在这篇文章中,我们介绍了一种新的亚组识别方法在贝叶斯设置的基础上纵向基因表达谱。这种方法称为BClustLonG,采用线性混合效应框架来模拟基因随时间的轨迹,同时基于从所有基因获得的回归系数联合进行聚类。为了解释基因间的相关性和减轻高维的挑战,我们采用因子分析模型的回归系数。利用Dirichlet过程先验分布对回归系数的均值进行聚类。通过大量的仿真研究,我们表明,BClustLonG具有提高性能比其他聚类方法。当应用于严重受伤(烧伤或创伤)患者的数据集时,我们的模型能够区分烧伤患者和创伤患者,并识别创伤患者中有趣的亚组。
2016-09-26 stat.ME
Estimating Interpretable Heterogeneous Treatment Effect with Causal Subgroup Discovery in Survival Outcomes
Virginia Commonwealth University(弗吉尼亚联邦大学);University of Pittsburgh(匹兹堡大学)
本文提出了一种可解释的异质治疗效应估计框架,通过整合元学习器同时估计生存结果的CATE并识别预测子群,应用于年龄相关性黄斑变性临床试验以评估治疗效果。
2025-11-26 stat.AP stat.ME
Minimax optimal subgroup identification
本文研究在无未测量混杂假设下估计条件平均处理效应水平集的问题,推导了水平集估计器的渐近性质,并在Hölder平滑模型中识别出minimax最优估计器,通过模拟和结肠手术数据集验证了方法性能。
2023-06-30 stat.ME
PRISM: Patient Response Identifiers for Stratified Medicine
制药公司继续寻求创新的方法来探索正在开发的药物是否可能适用于目标人群中的所有或仅可识别的患者阶层。在临床开发过程中越早这样做,对公司、下游的处方医生、付款人,最重要的是对患者就越好。为了帮助实现分层医学的这一愿景,我们描述了一个强大的统计框架,分层医学的患者反应识别符(PRISM),用于使用机器学习工具发现药物反应和相关亚组的潜在预测因子。PRISM具有高度灵活性,可以有许多“配置”,允许为各种结果和设置纳入互补模型或工具。一种有前景的PRISM配置是使用观察到的结果进行亚组识别,同时使用反事实的患者内预测治疗差异进行亚组特异性治疗估计和相关解释。这将“亚组识别”与“决策”分开,并且为了便于临床设计规划,这是在所发现的亚组中获得无偏处理效应大小的简单方法。模拟结果,以及从一个真正的临床试验的数据被用来说明所提出的PRISM框架的效用。
2019-12-06 stat.ME
LLM-based Agents for Automated Confounder Discovery and Subgroup Analysis in Causal Inference
National Sun Yat-Sen University(中山大学)
提出基于LLM的智能体框架,将其集成至因果机器学习流程中,通过模拟领域专家知识实现自动混杂因素发现与亚组分析,在减少人工依赖的同时提升了处理效应估计的稳健性与可解释性。
2025-08-10 cs.AI cs.LG cs.MA
Structural modeling using overlapped group penalties for discovering predictive biomarkers for subgroup analysis
从大规模的协变量中识别预测性生物标志物用于亚组分析已经引起医学研究的基本关注。在这篇文章中,我们提出了一个广义惩罚回归方法与一个新的惩罚函数,以加强之间的预测和预测效果的层次结构,这样一个非零的预测效果必须导致其祖先的预测效果是非零的模型。我们的方法能够通过产生用于亚组分析的稀疏的、可解释的和可预测的模型来选择有用的预测性生物标志物,并且可以处理不同类型的响应变量,例如连续的、分类的和事件发生时间的数据。我们证明了我们的方法是渐近一致的正则化条件下。针对广义惩罚回归模型的极小化问题,提出了一种结合优化极小化和乘子交替方向法的综合优化算法,命名为\texttt{smog} .丰富的模拟研究和真实案例研究表明,我们的方法是非常强大的发现真正的预测生物标志物和识别亚组的患者。
2019-04-26 stat.ME stat.ML
Interactive identification of individuals with positive treatment effect while controlling false discoveries
针对随机实验中个体正向处理效应识别难题,本文提出支持交互式引导的多重检验算法,可在有限样本中非渐近控制FDR,并扩展至观察性研究、配对样本与子组识别。
2024-05-10 stat.ME
Decision Theoretic Subgroup Detection With Bayesian Machine Learning
本文从贝叶斯决策理论出发,提出BRAIDS效用用于子组检测,插值风险寻求与规避,并强调正则化先验以缓解赢家诅咒,在临床试验数据上验证了其有效性。
2026-09-25 stat.ME
Minimax Instrumental Variable Regression and $L_2$ Convergence Guarantees without Identification or Closedness
Cornell University(康奈尔大学);Tsinghua University(清华大学);Massachusetts Institute of Technology(麻省理工学院);Stanford University(斯坦福大学)
本文研究了工具变量(IV)回归的非参数估计.近年来,许多灵活的机器学习方法已经被开发用于工具变量估计。然而,这些方法具有以下限制中的至少一个:(1)将IV回归限制为被唯一地标识;(2)仅获得关于伪度量(\emph{e.g.,}投影范数)而不是有效度量(\emph{e.g.,} $L_2$范数)的估计误差率;或者(3)施加所谓的封闭性条件,其要求某个条件期望算子足够平滑。在本文中,我们提出了第一种方法和分析,可以避免所有这三个限制,同时仍然允许一般的函数近似。具体来说,我们提出了一个新的惩罚极大极小估计,即使有多个解决方案,可以收敛到一个固定的IV解决方案,我们推导出一个强大的$L_2$错误率估计宽松的条件下。值得注意的是,这种保证只需要一个广泛使用的源条件和可实现性假设,而不需要所谓的封闭性条件。我们认为,源条件和封闭性条件本质上是冲突的,因此放松后者显着改善现有的文献,需要这两个条件。我们的估计可以实现这一改进,因为它建立在一个新的配方的IV估计问题作为一个约束优化问题。
2023-02-10 cs.LG econ.EM math.ST
Online Testing of Subgroup Treatment Effects Based on Value Difference
在线A/B测试在高科技行业中起着指导产品开发和加速创新的关键作用。它执行原假设统计检验以确定哪个变体更好。然而,典型的A/B测试存在两个问题:(i)固定视野框架扩大了连续监测下的假阳性误差;(ii)同质效应假设无法识别具有有益处理效应的亚组。在本文中,我们提出了一个序贯测试的亚组处理效应的基础上的价值差异,命名为SUBTLE,同时解决这两个问题。SUBTLE允许实验者在实验过程中“偷看”结果,而不会损害统计保证。它假设异质性处理效应,旨在检验是否有部分人群亚组将从研究性治疗中获益。如果检测结果表明存在此类亚组,则将使用现成的估计最佳治疗规则识别亚组。我们研究了我们提出的测试模拟和真实数据集的实证性能。结果表明,与相应的固定时域检验相比,SUBTLE具有较高的检测能力,在任何时刻都能控制第一类错误,对噪声协变量具有更强的鲁棒性,并能实现早期停止.
2021-09-02 stat.ME
A Bayesian likely responder approach for the analysis of randomized controlled trials
NYU School of Medicine(纽约大学医学院)
本文提出一种贝叶斯两阶段方法,用于随机对照试验中亚群体识别与治疗效应推断,通过整合模型不确定性提升置信区间校准性,并在新冠治疗试验中验证了亚群体治疗效应的显著差异。
2026-03-11 stat.ME
Inference for Standard Trial Estimands after Data-Driven Subgroup Discovery
针对数据驱动亚组发现后的选择偏差,提出一个过程无关的后选择推断框架,以条件自适应估计量为目标,通过乘子重采样和无穷小刀切区间改善覆盖率。
2026-10-01 stat.ME
Distilling heterogeneous treatment effects: Stable subgroup estimation in causal inference
Yale University(耶鲁大学);University of Notre Dame(圣母大学);University of California Irvine(加州大学尔湾分校)
本研究提出因果提炼树(CDT),结合黑箱模型的预测性能与决策树的可解释性,在HIV抗逆转录病毒治疗随机对照试验中构建稳定临床相关子群,性能优于现有方法。
2026-09-01 stat.ME
Non-Asymptotic Guarantees for Reliable Identification of Granger Causality via the LASSO
针对有限时长与相关噪声下 Granger 因果检验不可靠的问题,提出基于 LASSO 的统计量及数据驱动阈值法,给出非渐近识别极限、错误概率与功效保证。
2023-07-14 cs.IT math.IT stat.ME
Identification and Estimation of Causal Effects with Outcomes Truncated by Death
在医学研究中,关注的结局因死亡而截断是常见的,这意味着受试者在结局可测量之前已经死亡。在这种情况下,对幸存者的限制性分析可能会受到选择偏倚的影响。因此,估计存活者平均因果效应是有意义的,定义为在任一暴露条件下存活的受试者组成的亚组中的平均因果效应。本文研究了生存者平均因果效应的识别和估计问题。我们建议使用一个替代变量的地方的潜在的成员在总是幸存者组。替代变量所需的识别条件在概念上类似于条件工具变量的条件,可适用于随机化和观察性研究。我们发现,幸存者的平均因果效应是可识别的使用这样一个替代变量,并提出新的模型参数估计幸存者的平均因果效应,根据我们的识别假设。我们的方法说明通过模拟研究和数据分析。
2018-04-24 stat.ME