基于时变混杂因素估计个体处理效应

从观测数据中估计个体处理效应（ITE）在医疗健康领域具有重要意义与实用价值。现有工作主要依赖于无隐藏混杂因素的强可忽略性假设，这可能导致因果效应估计存在偏差。一些研究考虑的隐藏混杂因素是为静态环境设计的，不易适应动态环境。事实上，大多数观测数据（例如电子病历）天然是动态的，并包含序列信息。本文提出深度序列加权（DSW）方法，用于估计具有时变混杂因素的 ITE。具体而言，DSW 通过深度循环加权神经网络，结合当前处理分配与历史信息来推断隐藏混杂因素。将学习到的隐藏混杂因素表示与当前观测数据结合，用于潜在结局与处理的预测。我们计算时变处理逆概率以对总体进行重新加权。我们在完全合成、半合成和真实世界数据集上进行了全面的对比实验，以评估我们的模型与基线方法的性能。结果表明，我们的模型通过同时条件化时变观测与隐藏混杂因素，能够生成无偏且准确的处理效应，为个性化医疗铺平道路。