Estimating Individual Treatment Effects through Causal Populations Identification
Paris-Dauphine University - PSL(巴黎多芬大学-PSL大学);CNRS(法国国家科学研究中心);Ai Square Connect;AdWay Groupe(AdWay集团)
从观察数据中估计个体治疗效果,定义为有和没有治疗或干预的结果之间的差异,同时只观察两者之一,是因果学习中的一个具有挑战性的问题。在本文中,我们制定了这个问题作为一个隐含变量的推断,并强制执行因果约束的基础上,四个排他性的因果种群模型。我们提出了一个新版本的EM算法,被称为期望因果关系最大化(ECM)算法,并提供提示,其收敛性在温和的条件下。我们比较我们的算法合成和真实世界的数据基线方法,并讨论其性能。
2020-05-06 cs.LG stat.ML
Deconfounding Temporal Autoencoder: Estimating Treatment Effects over Time Using Noisy Proxies
ETH Zurich(苏黎世联邦理工学院);LMU Munich(慕尼黑大学)
根据观察数据估计个体化处理效应(ITE)对于决策至关重要。为了获得无偏ITE估计值,一个常见的假设是观察到所有混杂因素。然而,在实践中,我们不太可能直接观察到这些混杂因素。相反,我们经常观察到真实混杂因素的嘈杂测量值,这些测量值可以作为有效的代理。在本文中,我们解决的问题,估计ITE在纵向设置,我们观察到嘈杂的代理,而不是真正的混杂因素。为此,我们开发了Deconfounding Temporal Autoencoder,这是一种利用观察到的噪声代理来学习反映真实隐藏混淆因素的隐藏嵌入的新方法。特别是,DTA将长短期记忆自动编码器与因果正则化惩罚相结合,使得潜在结果和治疗分配在给定学习的隐藏嵌入的情况下条件独立。一旦通过DTA学习了隐藏嵌入,就可以使用最先进的结果模型来控制它并获得ITE的无偏估计。使用合成和真实世界的医疗数据,我们通过大幅提高最先进的基准来证明我们的DTA的有效性。
2021-12-06 cs.LG 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
Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects
ETH Zurich(苏黎世联邦理工学院);University of Cambridge(剑桥大学);LMU Munich(慕尼黑大学);The Alan Turing Institute(阿兰·图灵研究所);UCLA(加州大学洛杉矶分校)
估计异质性处理效应是跨多个领域的重要问题。为了准确估计这种处理效应,人们通常依赖于来自观察性研究或随机实验的数据。目前,大多数现有的作品完全依赖于观测数据,这往往是混淆,因此,产生偏见的估计。虽然观察数据是混杂的,随机数据是无混杂的,但其样本量通常太小,无法了解异质性处理效应。在本文中,我们提出了估计异质性处理效应结合大量的观察数据和少量的随机数据,通过表征学习。特别是,我们引入了一个两步框架:首先,我们使用观测数据来学习共享结构(以表示的形式);然后,我们使用随机数据来学习数据特定的结构。我们分析了我们的框架的有限样本属性,并将它们与几个自然基线进行比较。因此,我们得出条件时,结合观察和随机数据是有益的,当它不是。在此基础上,我们介绍了一个样本效率的算法,称为CorNet。我们使用大量的模拟研究来验证CorNet和多个真实世界数据集的理论特性,以证明我们的方法相比现有方法的优越性。
2022-02-25 cs.LG stat.ML
Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data
Tsinghua University(清华大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
本文提出ContiVAE框架,利用带Tilted Gaussian先验的变分自编码器将未观测混杂因素建模为潜在变量,从而在观测数据中估计连续处理的个体剂量-反应曲线,实验显示其性能优于现有方法最多62%。
2024-10-21 cs.LG stat.ML
Model-agnostic meta-learners for estimating heterogeneous treatment effects over time
LMU Munich(慕尼黑大学);Munich Center of Machine Learning (MCML)(慕尼黑机器学习中心)
本文首次针对时变设定下的异质性处理效应估计,提出一套模型无关的元学习器,通过加权伪结果回归实现高效估计,并提供理论分析与数值实验验证。
2025-02-06 cs.LG stat.ML
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
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。
2026-11-17 cs.LG stat.ME stat.ML
Causal Machine Learning Methods for Estimating Personalised Treatment Effects -- Insights on validity from two large trials
University of Zurich(苏黎世大学);Epidemiology, Biostatistics and Prevention Institute(流行病学、生物统计学与预防研究所)
本文基于两项大型卒中随机对照试验评估17种因果异质性机器学习方法,发现其个体化治疗效应估计在内部和外部验证中均无法可靠泛化,凸显加强稳健验证的必要性。
2025-01-07 cs.LG stat.ML
Surv-IPTB: An Attention-Based Model for Estimating Individual Probability of Treatment Benefit with Survival Data
Higher School of Artificial Intelligence Technologies(人工智能技术高等学院);Peter the Great St.Petersburg Polytechnic University(彼得大帝圣彼得堡理工大学)
本研究提出基于注意力的 Surv-IPTB 模型,将生存数据的 IPTB 估计转化为二分类问题,通过成对患者比较处理右删失数据,在合成非线性数据集上优于 T-learner、S-learner 等基线模型,可用于个性化治疗获益评估。
2026-08-07 cs.LG stat.ML
TLRNet: Estimating Individual Treatment Effect based on Local Information and Single Learner Structure
University of Shiraz(设拉子大学)
本文针对因果推断问题,提出基于深度神经网络和伪单学习者结构的创新方法来估计治疗效果异质性,在IHDP基准上与其他方法比较,用一个估计器估计两组潜在结果获可接受结果,为方法改进发展铺了路。
2026-07-28 cs.LG stat.ML
Estimating treatment effects from single-arm trials via latent-variable modeling
Aalto University(阿尔托大学);University of Manchester(曼彻斯特大学);Helsinki University Hospital(赫尔辛基大学医院);Bayer Oy(拜耳公司(Oy形式))
针对单臂试验需借助外部对照的问题,提出可识别深度潜变量模型,利用摊销变分推断处理协变量缺失并支持患者匹配或直接疗效估计,实验显示性能优于以往方法。
2024-03-04 cs.LG stat.ML
Time Series Deconfounder: Estimating Treatment Effects over Time in the Presence of Hidden Confounders
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所);UCLA(加州大学洛杉矶分校);University of Cambridge(剑桥大学)
治疗效果的估计是医学中普遍存在的问题。从纵向观察数据估计治疗效果的现有方法假设不存在隐藏的混杂因素,这一假设在实践中不可检验,如果不成立,则会导致有偏倚的估计。在本文中,我们开发了时间序列Deconfounder,这是一种利用随时间分配多种治疗的方法,可以在存在多原因隐藏混杂因素的情况下估计治疗效果。时间序列Deconfounder使用一种新的具有多任务输出的递归神经网络架构,随着时间的推移建立一个因子模型,并推断出使分配的治疗条件独立的潜在变量;然后,它使用这些潜在变量作为多原因未观察到的混杂因素的替代品进行因果推理。我们提供了一个理论分析,以获得无偏的因果效应随时间变化的曝光使用时间序列Deconfounder。使用模拟和真实的数据,我们显示了我们的方法的有效性,在deconfounding随着时间的推移估计的治疗反应。
2020-09-18 cs.LG stat.AP stat.ML
Estimating Potential Outcome Distributions with Collaborating Causal Networks
Duke University(杜克大学)
传统的因果推断方法利用观察性研究数据来估计潜在治疗的观察结果和未观察结果的差异,称为条件性平均处理效应(CATE)。然而,CATE仅对应于第一时刻的比较,因此可能不足以反映处理效应的全貌。作为替代方案,估计全部潜在结果分布可以提供更深入的见解。然而,用于估计处理效应潜在结果分布的现有方法通常对这些分布强加限制性或简单化的假设。在这里,我们提出了协作因果网络(CCN),这是一种新的方法,通过学习完整的潜在结果分布,超越了单独估计CATE。通过CCN框架估计结果分布不需要对基础数据生成过程进行限制性假设。此外,CCN有助于估计每种可能治疗的效用,并允许通过效用函数进行个体特异性变化。CCN不仅将结果估计扩展到传统的风险差异之外,而且还通过定义灵活的比较来实现更全面的决策过程。在因果文献中常见的假设下,我们证明了CCN学习渐近捕获真实潜在结果分布的分布。此外,我们提出了一种调整方法,在经验上有效地缓解观察数据中治疗组之间的样本不平衡。最后,我们在多个合成和半合成实验中评估了CCN的性能。我们证明,与现有的贝叶斯和深度生成方法相比,CCN学习到了改进的分布估计,以及改进了各种效用函数的决策。
2022-09-21 cs.LG stat.ML
Comparison of meta-learners for estimating multi-valued treatment heterogeneous effects
Ecole polytechnique, Institut Polytechnique de Paris(巴黎理工学院巴黎综合理工学院);TotalEnergies One Tech(道达尔能源第一技术公司)
本文比较多值处理异质性效应估计中的多种元学习器,理论分析误差上界随处理水平数的变化,并通过合成与半合成数据验证其优劣。
2023-06-03 cs.LG stat.AP stat.ML
A Penalized Shared-parameter Algorithm for Estimating Optimal Dynamic Treatment Regimens
Indian Institute of Technology Guwahati(印度古瓦哈蒂印度理工学院);Duke-NUS Medical School, National University of Singapore(新加坡国立大学杜克-新加坡国立大学医学院);North Carolina State University(北卡罗来纳州立大学);Duke University(杜克大学)
针对 Q-shared 算法因 Q-learning 中线性模型导致的不收敛问题,提出惩罚 Q-shared 算法,明确失效条件,并通过真实应用与模拟验证其收敛性和更优性能。
2024-12-04 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 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 Treatment Effects with Independent Component Analysis
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);ELLIS Institute(ELLIS研究所);Vector Institute(向量研究所);Microsoft Research(微软研究院);University of Toronto(多伦多大学)
本文提出利用线性ICA估计治疗效应,证明其在存在高斯混杂因子和非线性噪声时的一致性,并展示其在样本效率上的优势。
2026-02-27 cs.AI cs.LG 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
A Guide to Estimating Conditional Average Treatment Effects in Competing Risks Settings
Department of Statistics, TU Dortmund University(图恩-多特蒙德大学统计学系);Research Center Trustworthy Data Science and Security, University Alliance Ruhr (UA Ruhr)(鲁尔大学联盟可信数据科学与安全研究中心);Institute for Mathematics, University of Augsburg(艾希施泰特大学数学研究所)
针对竞争风险生存数据,比较六种元学习器估计条件平均处理效应,提供R包crsurvlearners指导模型选择。
2026-06-18 cs.LG stat.AP stat.ML
Estimating Dyadic Treatment Effects with Unknown Confounders
Waseda University(早稻田大学);Kyoto University(京都大学)
研究如何在存在未知混杂因素时估计二元治疗效果,基于图子估计文献提出邻域核平滑方法及共形推断方法,应用于国际贸易数据评估自由贸易协定对双边贸易流量的影响。
2026-07-14 econ.EM stat.ME stat.ML
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
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
Estimating Treatment Effects in Continuous Time with Hidden Confounders
University of Southern California(南加州大学)
估计治疗效果在因果推理中起着至关重要的作用,有许多现实世界的应用,如政策分析和决策制定。然而,在存在隐藏混杂因素的情况下,在纵向环境中估计治疗效果仍然是一个极具挑战性的问题。最近,有越来越多的工作试图通过忽略可能存在的隐藏混杂因素,从时间动态观测数据中获得无偏ITE估计。此外,许多现有的工作处理隐藏的混杂因素不适用于连续时间设置。在本文中,我们扩展了工作线,重点是在动态时间设置中存在隐藏的混杂因素的去干扰。我们利用神经微分方程的最新进展,使用随机控制微分方程和Lipschitz约束卷积运算来构建潜在因子模型,以便持续纳入有关正在进行的干预和不规则采样观察的信息。在合成和真实世界数据集上的实验突出了在存在隐藏混杂因素的情况下估计治疗效果的连续时间方法的前景。
2023-02-21 cs.LG 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 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 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
From Observational Data to Clinical Recommendations: A Causal Framework for Estimating Patient-level Treatment Effects and Learning Policies
Faculty of Data and Decision Sciences, Technion(数据与决策科学学院,技术ion);Blavatnik School of Computer Science, Tel-Aviv University(Blavatnik计算机科学学院,特拉维夫大学);Department of Cardiology, Rambam Health Care Campus(心内科部,拉马姆医疗中心);The Bruce Rappaport Faculty of Medicine, Technion(布鲁斯·拉帕波特医学院,技术ion);Department of Statistics and Operations Research, School of Mathematical Sciences, Tel Aviv University(统计与运筹学部,数学科学学院,特拉维夫大学)
本文提出一个构建患者特定治疗推荐模型的因果框架,整合现有方法形成实用流程,并在心力衰竭伴急性肾损伤患者的真实用例中验证了其能改善预后。
2025-07-16 cs.LG stat.AP stat.ML
DeepBlip: Estimating Conditional Average Treatment Effects Over Time
Munich Center for Machine Learning(慕尼黑机器学习中心);LMU Munich(慕尼黑大学)
针对结构嵌套均值模型缺乏适配神经网络框架、无法端到端梯度训练的问题,提出首个神经框架DeepBlip,通过双重优化技巧实现blip函数同步学习,在临床数据集上取得SOTA性能。
2025-11-18 cs.LG stat.ME stat.ML
Ensemble Method for Estimating Individualized Treatment Effects
Stanford University(斯坦福大学)
在许多医疗和商业应用中,研究人员对使用来自随机实验的数据来估计个体化处理效应感兴趣。例如,在医疗应用中,医生从临床试验中了解处理效应,在技术公司中,研究人员从A/B测试实验中了解它们。尽管已经提出了数十种机器学习模型来完成这项任务,但确定哪种模型最适合手头的问题是具有挑战性的,因为地面实况处理效应是不可观察的。与最近几篇提出选择这些竞争模型之一的方法的论文相反,我们提出了一种算法,用于从不同的模型库中聚合估计值。我们在43个基准数据集上比较了集成和模型选择,发现集成几乎每次都赢。从理论上讲,我们证明了我们的合奏模型是(渐近)至少作为考虑中的最佳模型的准确性,即使候选模型的数量允许增长的样本量。
2022-02-28 cs.LG stat.ME
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
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 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
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
Estimating individual treatment effect: generalization bounds and algorithms
New York University(纽约大学);MIT(麻省理工学院)
人们对将机器学习应用于医疗保健、经济学和教育等领域的因果推断问题有浓厚的兴趣。特别是,个体水平的因果推断具有重要的应用,如精准医学。我们给出了一个新的理论分析和家庭的算法预测个人处理效应(ITE)的观测数据,假设下称为强可预测性。算法学习“平衡”表示,使得诱导的治疗分布和对照分布看起来相似。我们给出了一个新的,简单和直观的广义误差界表明,预期ITE估计误差的表示是有界的表示和治疗和控制分布之间的距离引起的表示的标准广义误差的总和。我们使用积分概率距离来测量分布之间的距离,推导出Wasserstein和最大平均离散(MMD)距离的明确界限。在真实数据和模拟数据上的实验表明,新算法的性能达到或超过了最先进的水平。
2017-05-16 cs.AI cs.LG stat.ML
Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects
University of New South Wales(新南威尔士大学);Data61, CSIRO(澳大利亚联邦科学与工业研究组织Data61部门)
我们经常考虑在实践中回答反事实的问题,比如“如果糖尿病患者选择另一种药物,他们会好转吗?".观察性研究由于其广泛的积累和比随机对照试验(RCT)更容易获得,在回答这些问题方面的意义越来越大。近年来,一些研究将表示学习和领域自适应引入反事实推理。然而,目前大多数的工作集中在设置的二进制处理。没有人认为不同治疗的样本量是不平衡的,特别是由于用户固有的偏好,某些治疗组的数据实例相对有限。在本文中,我们设计了一个新的算法框架,反事实推理,这带来了一个想法,从元学习估计个别治疗效果(MetaITE),以填补上述研究空白,特别是考虑到多个不平衡的治疗。具体来说,我们认为数据事件之间的处理组在反事实推理的元学习任务。我们训练一个元学习者从一组源处理组与足够的样本和更新模型的梯度下降与有限的样本在目标处理。此外,我们引入了两个互补的损失。一个是多源处理的监督损失。另一个损失,对齐各治疗组之间的潜在分布,建议减少的差异。我们在两个真实世界的数据集上进行实验,以评估推理精度和泛化能力。实验结果表明,该模型MetaITE匹配/优于国家的最先进的方法。
2022-08-13 cs.LG stat.ME
Matching in Selective and Balanced Representation Space for Treatment Effects Estimation
University of Georgia(佐治亚大学)
在科学和技术的各个领域,观测数据的可用性正在急剧增加,这促进了因果推断的研究。然而,从观察性数据估计处理效应面临两个主要挑战,缺失的反事实结果和治疗选择偏倚。匹配方法是评价处理效应的最基本方法之一,但现有的匹配方法在处理高维复杂变量数据时性能较差。提出了一种基于深度表示学习和匹配的特征选择表示匹配(FSRM)方法,将原始协变量空间映射到一个选择性的、非线性的、平衡的表示空间,然后在学习到的表示空间中进行匹配。FSRM采用深度特征选择来最小化不相关变量对估计处理效应的影响,并结合基于瓦瑟斯坦距离的正则化器来学习平衡表示。我们在三个数据集上评估了我们的FSRM方法的性能,结果表明优于最先进的方法。
2021-06-05 cs.LG stat.ME 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
Considerations for Estimating Causal Effects of Informatively Timed Treatments
本文探讨了信息性定时治疗对因果效应估计的影响,提出利用g方法调整等待时间作为时间变化混杂因素以提高推断有效性。
2025-08-29 cs.LG stat.ME
Censoring-Aware Tree-Based Reinforcement Learning for Estimating Dynamic Treatment Regimes with Censored Outcomes
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
本文提出CA-TRL框架,通过增广逆概率加权和删失感知修正增强树型强化学习,用于从删失观测数据中估计最优动态治疗方案,并在模拟和SANAD癫痫数据集上验证其优于ASCL方法。
2025-03-09 cs.AI cs.LG stat.ME
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
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 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
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
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 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
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 heterogeneous survival treatment effect in observational data using machine learning
在观察性数据中估计异质性处理效应的方法主要集中在连续或二元结局上,相对较少审查生存结局。在反事实框架中使用灵活的机器学习方法是一种很有前途的方法,可以解决由于复杂的个体特征而带来的挑战,需要针对这些特征量身定制治疗方法。为了评估近期生存机器学习方法用于估计处理效应异质性的操作特征,并为更好的实践提供信息,我们进行了一项全面的模拟研究,该研究提供了一系列描述混杂异质生存处理效应和不同程度协变量重叠的设置。我们的研究结果表明,在加速失效时间模型(AFT-BART-NP)的框架内的非参数贝叶斯加性回归树始终产生最好的性能,在偏差,精度和预期的遗憾。此外,当协变量重叠至少为中度时,AFT-BART-NP的可信区间估计值为个体生存期处理效应提供了接近标称频率论的覆盖范围。在AFT-BART-NP模型公式中包括非参数估计的倾向得分作为额外的固定协变量,可以进一步提高其效率和频率覆盖率。最后,我们展示了灵活的因果机器学习估计器的应用,通过一个全面的案例研究,检查两种放射治疗方法对局部高危前列腺癌的异质性生存影响。
2021-05-19 stat.AP stat.ML
TreatmentEstimatoR: a Dashboard for Estimating Treatment Effects from Observational Health Data
可以利用观察性健康数据来衡量现有医疗干预措施的实际使用情况和潜在获益或风险。然而,缺乏编程能力和因果推断方法的先进知识,使一些临床医生和非计算研究人员无法进行此类分析。无代码仪表板工具提供了一种可访问的方法,用于根据观察性健康数据估计和可视化处理效应。我们提出了TreatmentEstimatoR,一个R Shiny仪表板,有助于从观察数据中估计处理效应,而无需任何编程知识。仪表板同时提供来自多个算法的效果估计,并适应二进制,连续和时间到事件的结果。TreatmentEstimatoR允许灵活地选择治疗和结局模型的协变量、全面的模型性能指标和探索性数据分析工具。TreatmentEstimatoR可在https://github.com/CollinSakal/TreatmentEstimatoR上获得。我们提供完整的安装说明和详细的小插图,以了解如何最好地使用仪表板。
2022-03-20 stat.AP stat.CO 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
I See, Therefore I Do: Estimating Causal Effects for Image Treatments
Sony Research India(索尼印度研究院)
本文针对图像作为高维干预时的个体因果效应估计问题,提出 NICE 模型及半合成数据模拟框架,并在多种设置(含零样本)下验证其显著优于现有方法。
2024-11-28 cs.AI stat.AP stat.ML
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
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