基于Group LASSO的Bagging MARS扩展用于异质性处理效应估计

近年来，大规模临床数据（如患者调查和医疗记录数据）在医学数据科学中发挥着越来越重要的作用。这些大规模临床数据统称为“真实世界数据（RWD）”。它有望广泛应用于特定疾病的大规模观察性研究、个体化医学或精准医学，以及寻找药物或治疗的应答者。应用RWD估计异质性处理效应（HTE）已成为一个热门话题。HTE有潜力通过帮助医生做出更明智的精准治疗决策并提供更个性化的医疗护理，从而显著影响精准医学的发展。用于估计HTE的统计模型称为处理效应模型。Powers等人提出了一些用于观察性研究的处理效应模型，他们指出Bagging因果MARS（BCM）相比其他模型表现突出。尽管BCM性能优异，但仍有改进空间。在本文中，我们提出了一种新的处理效应模型，称为收缩因果Bagging MARS方法，以改进其共享基条件均值回归框架，基于以下几点：首先，我们使用转换后的结果估计基函数，然后应用Group LASSO方法优化模型并估计参数。此外，我们专注于追求更好的模型可解释性以提高伦理接受度。我们设计了模拟实验来验证所提出方法的性能，在大多数模拟设置中，我们的方法在均方误差和偏差方面表现更优。我们还将其应用于真实数据集ACTG 175以验证其可用性，我们的结果得到了先前研究的支持。