基于深度生存学习器估计带有生存结果的异质性处理效应
统计方法学
2026-04-14 v1 机器学习
摘要
在生存情境下估计异质性处理效应面临右删失以及估计量随时间变化的复杂性。虽然条件平均处理效应（CATE）提供了自然的目标，但大多数现有方法仅关注特定预设时间点，未能考虑时间轨迹，导致估计不稳定。我们提出了一种深度生存学习器（DSL）用于估计带有右删失结果的异质性处理效应。该方法基于一个双鲁棒伪结果，其条件期望在标准假设下识别特定时间的CATE。该构造在正确指定结果模型或处理分配模型时，能够保持无偏，同时妥善地考虑删失。为在临床相关的时间谱范围内估计CATE，DSL采用带有共享表征的多输出深度神经网络，实现对处理效应轨迹的联合估计。从理论角度，我们推导了对点估计和沿时间联合估计的误差上界。我们表明，在光滑条件下，联合估计可利用时间结构控制估计误差，而不会带来额外的近似成本，从而相对于独立估计具有更好的稳定性。采用交叉拟合以减少过拟合并缓解灵活噪声估计引起的偏差。模拟研究表明，在有限样本情境下表现良好，尤其在噪声模型误指定时。应用于波士顿肺癌研究，DSL揭示了体外化疗在患者特征和随时间变化方面的异质性。
引用
@article{arxiv.2604.10398,
title = {Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner},
author = {Yuming Sun and Jian Kang and Yi Li},
journal= {arXiv preprint arXiv:2604.10398},
year = {2026}
}