一种用于调整序贯决策中部分依从性的非参数贝叶斯方法
统计方法学
2021-10-05 v1
摘要
在给定动态治疗体制下估计平均结局的现有方法依赖于意向性治疗分析，后者估计遵循某一动态治疗体制的效应，而不论患者的依从行为如何。意向性治疗分析有两个主要问题：（1）估计的效应常偏向零效应；（2）由于潜在的差异性依从行为，结果不可推广且不可复现。这些在诸如物质使用障碍治疗等高不依从性设定中尤为成问题。我们的工作受酒精与可卡因依赖适应性治疗研究（ENGAGE）的启发，这是一项多阶段试验，旨在构建使患者参与治疗的最优治疗策略。由于该试验中依从性水平相对较低，意向性治疗分析实质上估计的是被随机分配到某一治疗序列的效应，而这并非关注所在。我们通过将目标参数定义为给定潜在依从层下动态治疗体制的平均结局，填补了这一重要空白。我们提出一种灵活的非参数贝叶斯方法，由一个用于潜在依从的高斯 copula 模型和一个用于潜在结局的狄利克雷过程混合模型组成。我们的模拟凸显了实践中对此方法的需求与效用，并说明了我们的估计量在非线性与非高斯设定下的鲁棒性。
引用
@article{arxiv.2110.00659,
title = {A non-parametric Bayesian approach for adjusting partial compliance in sequential decision making},
author = {Indrabati Bhattacharya and Brent A. Johnson and William Artman and Andrew Wilson and Kevin G. Lynch and James R. McKay and Ashkan Ertefaie},
journal= {arXiv preprint arXiv:2110.00659},
year = {2021}
}