使用分割与合并去相关得分对观察性数据中高维个体化治疗规则的估计与推断
统计方法学
2021-05-05 v3
摘要
随着电子健康记录的日益普及,人们越来越有兴趣从大型观察性数据中开发根据患者特征推荐治疗的个体化治疗规则。然而,在高维协变量存在的情况下,缺乏针对从这类数据中开发的此类规则的有效推断程序。在本研究中,我们开发了一种惩罚双重稳健方法,用于从高维数据中估计最优个体化治疗规则。我们提出了一种分割与合并去相关得分,用于构建假设检验和置信区间。我们的方法利用数据分割来克服 nuisance 参数估计的慢收敛速率,例如用于结果回归或倾向模型非参数方法。我们在高维环境下建立了分割与合并去相关得分检验及相应的单步估计器的极限分布。进行了模拟和真实数据分析以证明所提方法的优越性。
引用
@article{arxiv.2007.04445,
title = {Estimation and inference on high-dimensional individualized treatment rule in observational data using split-and-pooled de-correlated score},
author = {Muxuan Liang and Young-Geun Choi and Yang Ning and Maureen A Smith and Ying-Qi Zhao},
journal= {arXiv preprint arXiv:2007.04445},
year = {2021}
}
备注
15 pages, 2 figures, 2 tables