针对阿片危机多层次、多组成分干预的局部处理效应的高效计算估计

阿片疫情仍是美国面临的重大公共卫生挑战，要求多管齐下的干预方法来缓解对社区的伤害。鉴于疫情在全国各地的异质性，决策者至关重要的是了解不同干预组成分的局部处理效应，并高效利用有限资源。虽然本地校准的仿真模型提供了一种有用的计算工具来预测任何给定干预政策下的疫情结果，但收集所有干预组合的仿真结果来估计每个社区的局部处理效应是不切实际的，因为可能的干预组合数量随着干预数量和其应用水平的增加而指数增长。为此，我们发展了一个具有两阶段顺序设计的双层模型泛置框架。该模型由连接健康结果与每个干预组成分处理效应的响应函数，以及用于根据本地化协变量学习处理效应的空间和社会经济结构的高斯过程回归构成。通过两阶段顺序抽样，我们利用空间相关性和后验不确定性来顺序抽样最具信息性的县份和处理条件。我们将该框架应用于估计使用PA县份中使用的校准化智能体基阿片疫情模型对阿片分发和纳氢酶分配对过量死亡率的处理效应。该方法在仅使用 exhaustive 仿真运行次数的十分之一的情况下，实现了约5%的平均相对误差。我们的双层框架提供了一种高效计算的方法，以支持决策者评估资源分配策略，以缓解当地社区的阿片疫情。