异方差或误设定无治疗效应模型下最优个体化治疗规则的高效学习
统计方法学
2021-12-16 v1 机器学习
摘要
数据驱动决策科学的近期发展在个体化决策方面取得了巨大进展。给定包含个体协变量、治疗分配与结局的数据，研究者可以搜索最大化期望结局的最优个体化治疗规则（ITR）。现有方法通常需要对某些干扰模型进行初始估计。能够抵御无治疗效应或倾向得分任一方误设定的双重稳健性已被广泛提倡。然而，当存在模型误设定时，双重稳健估计可以是一致的，但可能遭受效率下降。除潜在的误设定干扰模型外，大多数现有方法未考虑当结局方差在协变量与治疗间异质时的潜在问题。我们观察到此类异方差会极大影响最优 ITR 的估计效率。本文中，我们证明误设定的无治疗效应与异方差的后果可统一为残差的协变量–治疗依赖方差。为提升所估计 ITR 的效率，我们提出一种高效学习（E-Learning）框架，用于多臂治疗设定下寻找最优 ITR。我们证明所提 E-Learning 在一类允许无治疗效应误设定的半参数估计正则类中是最优的。在模拟研究中，E-Learning 在误设定无治疗效应与异方差之一或两者均存在时均展现出其有效性。我们对 2 型糖尿病（T2DM）观察性研究的分析也表明 E-Learning 的效率有所提升。
引用
@article{arxiv.2109.02570,
title = {Efficient Learning of Optimal Individualized Treatment Rules for Heteroscedastic or Misspecified Treatment-Free Effect Models},
author = {Weibin Mo and Yufeng Liu},
journal= {arXiv preprint arXiv:2109.02570},
year = {2021}
}
备注
accepted by Journal of the Royal Statistical Society, Series B (Statistical Methodology)