利用基于模型的森林估计观测数据的异质处理效应
统计方法学
2022-10-07 v1 机器学习
摘要
异质处理效应（HTEs）的估计在众多学科中引起相当关注，尤以医学与经济学为著。当代研究迄今主要关注连续与二值响应，其中HTEs传统上由线性模型估计，该模型即使在某些模型误设下也允许估计恒定或异质效应。针对生存、计数或有序结果的更复杂模型需更严格假设以可靠估计处理效应。最重要的是，非可折叠性问题要求联合估计处理效应与预后效应。基于模型的森林允许同时估计协变量依赖的处理与预后效应，但仅适用于随机试验。本文提出对基于模型的森林的修正，以解决观测数据中的混杂问题。特别地，我们评估了Robinson（1988, Econometrica）最初提出的、在针对广义线性模型与变换模型中HTE估计的基于模型的森林背景下的正交化策略。我们发现该策略在具有多种结果分布的模拟研究中降低了混杂效应。我们通过评估Riluzole对肌萎缩侧索硬化进展潜在异质效应，展示了生存与有序结果HTE估计的实际方面。
引用
@article{arxiv.2210.02836,
title = {Heterogeneous Treatment Effect Estimation for Observational Data using Model-based Forests},
author = {Susanne Dandl and Andreas Bender and Torsten Hothorn},
journal= {arXiv preprint arXiv:2210.02836},
year = {2022}
}