缺失结果数据下的因果机器学习异质处理效应
机器学习
2025-04-15 v2 机器学习
摘要
在估计异质处理效应时，缺失的结果数据会使处理效应估计复杂化，导致特定子群在人群中代表不足。本文讨论了这一常被忽视的问题，考察了缺失随机 (MAR) 结果数据对条件平均处理效应 (CATE) 的因果机器学习估计器的影响。我们提出两种去偏估计器：mDR-学习器和 mEP-学习器，通过将逆概率删失权重分别整合到 DR-学习器和 EP-学习器中，以解决代表不足的问题。在合理条件下，这些估计器具有仪器效率，本文通过模拟数据实验展示其优异性能，与现有的 CATE 估计器进行比较，包括使用常见缺失数据技术的估计器。我们举出 GBSG2 试验的应用案例，探讨手术后乳腺癌患者在比较激素治疗与非激素治疗时治疗效应的异质性，并提供实施这些估计器时 practitioner 必须作出的决策指导。
引用
@article{arxiv.2412.19711,
title = {Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data},
author = {Matthew Pryce and Karla Diaz-Ordaz and Ruth H. Keogh and Stijn Vansteelandt},
journal= {arXiv preprint arXiv:2412.19711},
year = {2025}
}
备注
34 pages, 6 figures, 4 tables