CausalDeepCENT：用于个体事件时间因果预测的深度学习
应用统计
2022-03-22 v1
摘要
深度学习 (DL) 近来在图像分析、自然语言处理和高维医疗数据分析中备受关注。在因果有向无环图 (DAG) 解释下，DL 架构中没有来自父节点入边的输入变量可被假定为随机化且彼此独立。如在回归设定中，将输入变量纳入 DL 算法可减少来自潜在混杂因素的偏倚。然而，若未能纳入影响处理分配与输出变量的输入变量间潜在的隐因果结构，则可能是额外的显著偏倚来源。本研究的主要目标是开发新的 DL 算法，用于估计时间事件数据的因果个体事件时间，等价地，在有或无右删失下估计因果时间事件分布，并考虑输入变量间潜在的隐结构。一旦估计出因果个体事件时间，便可简便地以所估因果个体事件时间的平均值之差来估计因果平均处理效应。本文所提方法与目标最大似然估计 (TMLE) 建立了联系。我们通过基于均方误差 (MSE) 的方法和基于秩的 -Index 指标进行模拟研究，以评估所提方法的预测能力改进。模拟结果表明，当输入变量间存在碰撞节点时，预测精度的提升可能十分显著。所提方法使用一个公开且具影响力的乳腺癌数据集进行了说明。该方法已用 PyTorch 实现并上传至 https://github.com/yicjia/CausalDeepCENT。
引用
@article{arxiv.2203.10207,
title = {CausalDeepCENT: Deep Learning for Causal Prediction of Individual Event Times},
author = {Jong-Hyeon Jeong and Yichen Jia},
journal= {arXiv preprint arXiv:2203.10207},
year = {2022}
}