基于贝叶斯机器学习的决策论亚组检测
统计方法学
2025-09-09 v1
摘要
我们从贝叶斯决策论的角度考虑识别治疗有效性或治疗效应异质性的有前景亚组人群的问题。首先，我们展示了对亚组检测直接应用贝叶斯决策理论会导致一种反直觉的风险寻求 (risk-seeking) 行为。以此为动机，我们引入了贝叶斯风险感知推断与检测亚组 (BRAIDS) 效用，并用于亚组选择和后选择推断。BRAIDS 效用在风险寻求 (RS) 和风险规避 (RA) 亚组识别之间进行插值，其中的一种风险中性中点是一个变体的虚拟双胞胎算法。我们还认为，有效的亚组估计和推断需要使用正则化先验来防止获胜者诅咒对推断的影响。我们提供了实证证据，表明只要选择合适的先验分布，亚组效应的后验可信区间仍可获得名义覆盖水平。该提出框架在评估2型糖尿病疗法中可降糖肾素 (canagliflozin) 疗效的临床试验数据上进行了演示。
引用
@article{arxiv.2509.05832,
title = {Decision Theoretic Subgroup Detection With Bayesian Machine Learning},
author = {Entejar Alam and Poorbita Kundu and Antonio R. Linero},
journal= {arXiv preprint arXiv:2509.05832},
year = {2025}
}