利用工具变量估计最优治疗规则：一种部分识别学习方法
统计方法学
2021-03-16 v5
摘要
个体化治疗规则(ITRs)被视为提供更优政策干预的有前景方案。最优ITR估计问题的一个关键要素是估计基于受试者协变量信息的条件平均治疗效应，这在观察性研究中常因普遍存在的未测量混杂问题而具挑战性。工具变量(IVs)是当治疗与结局间存在未测量混杂时推断治疗效应的广泛使用的工具。本工作中，我们提出了一个通用框架，用于在允许有效IV仅能部分识别治疗效应时处理最优ITR估计问题。我们引入称为“IV-最优性”的新最优性概念。若某治疗规则相对于假定IV与IV识别假设集合使最大风险最小化，则称其为IV-最优的。我们推导了IV-最优规则风险的界，阐明了IV-最优规则何时具备良好泛化性能。我们提出一种基于分类的统计学习方法来估计此类IV-最优规则，设计了计算高效的算法并给出了理论保证。我们通过大量模拟将所提方法与流行的结局加权学习(OWL)方法对比，并将我们的方法应用于研究哪些母亲会受益于前往具备高级新生儿重症监护病房医院分娩早产儿。
引用
@article{arxiv.2002.02579,
title = {Estimating Optimal Treatment Rules with an Instrumental Variable: A Partial Identification Learning Approach},
author = {Hongming Pu and Bo Zhang},
journal= {arXiv preprint arXiv:2002.02579},
year = {2021}
}
备注
J R Stat Soc Series B. (2021)