部分标注处理与响应下ATE的半监督高效稳健估计
统计方法学
2021-10-26 v1 统计理论
统计理论
摘要
利用电子健康记录（EHR）进行评估治疗效应的一个显著挑战是重要临床变量（包括所接受的治疗与响应）缺乏精确信息。治疗信息与响应往往无法由易得的EHR特征准确捕获，而需耗费人力的手工病历审查来精确标注，这限制了这些关键变量上可用金标准标签的数量。我们考虑在此类半监督设定下估计平均治疗效应（ATE），其具有大量未标注样本，包含混杂因素以及关于治疗和响应的不完美EHR特征。我们推导了ATE的有效影响函数并用以构造半监督多机器学习（SMMAL）估计量。我们展示了在低维光滑模型下，我们的SMMAL估计量配合B样条回归是半参数有效的。我们在高维逻辑倾向得分与结果回归模型下发展了自适应稀疏/模型双重稳健估计。模拟研究结果支持了SMMAL方法的有效性及其相对于有监督基线的优越性。
引用
@article{arxiv.2110.12336,
title = {Efficient and Robust Semi-supervised Estimation of ATE with Partially Annotated Treatment and Response},
author = {Jue Hou and Rajarshi Mukherjee and Tianxi Cai},
journal= {arXiv preprint arXiv:2110.12336},
year = {2021}
}