非依从情况下的异质性处理分配效应估计的条件前门调整
机器学习
2025-07-22 v4
摘要
异质性处理分配效应的估计可为处理决策提供信息。在非依从（例如患者不遵守其分配的处理）存在的情况下，标准后门调整（SBD）和条件前门调整（CFD）都可以恢复处理分配效应的无偏估计。然而，这些方法的估计方差在不同情景下的变化仍未在文献中得到充分探讨。本文在理论和实证方面表明，在处理分配效应为小的情况下（即分配干预会对患者未来的结果产生小变化），CFD可获得低方差估计。此外，由于CFD需要估计多个 nuisance 参数，我们引入LobsterNet，这是一个多任务神经网络，通过联合建模 nuisance 参数来实现CFD。实证结果表明，与基线方法相比，LobsterNet在多个半合成和真实数据集上降低了估计误差。我们的发现表明，利用共享 nuisance 参数建模可改善非依从情况下的处理分配效应估计。
引用
@article{arxiv.2505.05677,
title = {Conditional Front-door Adjustment for Heterogeneous Treatment Assignment Effect Estimation Under Non-adherence},
author = {Winston Chen and Trenton Chang and Jenna Wiens},
journal= {arXiv preprint arXiv:2505.05677},
year = {2025}
}
备注
Conference on Health, Inference, and Learning (CHIL) 2025