因果推断中指导模型选择与队列定义的一种评估工具包
机器学习
2019-06-04 v1 机器学习
摘要
真实世界观测数据结合因果推断，可在无法开展随机对照试验时估计因果效应。要使此类预测模型被实践接受，必须针对手头数据集进行验证，因而需要一个如本文所述的综合评估工具包。由于效应估计无法直接评估，我们转而评估因果推断的各种可观测性质，即观测结局与处理分配。我们开发了一个工具包，扩展了既有机器学习评估方法并增添了若干因果专用方法。评估可应用于交叉验证、训练-测试方案或训练数据上。工具包内以模块化使用底层机器学习模型的方式实现了多种因果推断方法，因而对所用机器学习模型保持无关。我们使用从 IBM MarketScan(R) 研究数据库提取的类风湿关节炎队列（约 12 万患者）展示了该方法。我们引入了数据定义、模型定义与模型评估的迭代流程。利用该流程，我们展示了各评估组件如何推动模型选择及数据提取标准的细化，从而提供更可复现的结果并确保可用现有数据回答因果问题。此外，我们展示了该评估工具包如何用于确保应用于数据子集时性能得以维持，从而支持迈向个性化医疗的问题探索。
引用
@article{arxiv.1906.00442,
title = {An Evaluation Toolkit to Guide Model Selection and Cohort Definition in Causal Inference},
author = {Yishai Shimoni and Ehud Karavani and Sivan Ravid and Peter Bak and Tan Hung Ng and Sharon Hensley Alford and Denise Meade and Yaara Goldschmidt},
journal= {arXiv preprint arXiv:1906.00442},
year = {2019}
}
备注
23 pages, 5 figures