一种用于动态中介分析的强化学习框架
机器学习
2023-09-06 v2 机器学习
统计方法学
摘要
中介分析学习通过处理变量在处理与结果之间传递的因果效应，并在各领域为阐明因果关系而受到越来越多的关注。大多数现有工作聚焦于点暴露研究，即每个受试者仅在单一时间点接受一次处理。然而，有许多应用（例如移动健康）中处理随时间顺序分配，且动态中介效应是主要关注点。我们提出一种强化学习（RL）框架，首次在无限时域设置中评估动态中介效应。我们将平均处理效应分解为即时直接效应、即时中介效应、延迟直接效应和延迟中介效应。在识别各效应分量后，我们进一步在 RL 框架下开发了鲁棒且半参数高效的估计量来推断这些因果效应。所提方法的优越性能通过大量数值研究、理论结果以及对一个移动健康数据集的分析得到证明。
引用
@article{arxiv.2301.13348,
title = {A Reinforcement Learning Framework for Dynamic Mediation Analysis},
author = {Lin Ge and Jitao Wang and Chengchun Shi and Zhenke Wu and Rui Song},
journal= {arXiv preprint arXiv:2301.13348},
year = {2023}
}