用于评估异质效应的混合删失分位数回归森林
统计方法学
2022-12-13 v1 机器学习
摘要
在许多应用中，删失响应变量上的异质处理效应是主要关注点，并且在不同的分位数（例如中位数）处评估这些效应是自然的。大量潜在效应修饰变量、处理效应的未知结构以及右删失的存在带来了重大挑战。在本文中，我们开发了一种称为混合删失分位数回归森林（HCQRF）的混合森林方法，以评估随高维变量变化的异质效应。该混合估计方法利用了随机森林和删失分位数回归的优势。我们提出了一种双重加权估计过程，由用于处理删失的质量重分布权重和源自森林用于处理高维效应函数的自适应最近邻权重组成。我们提出了一种变量重要性分解，以衡量变量对处理效应函数的影响。广泛的模拟研究证明了 HCQRF 的有效性和稳定性。模拟研究的结果也使我们确信变量重要性分解的有效性。我们将 HCQRF 应用于一项结直肠癌的临床试验。我们获得了处理效应的有洞察力的估计和有意义的变量重要性结果。变量重要性的结果也证实了分解的必要性。
引用
@article{arxiv.2212.05672,
title = {Hybrid Censored Quantile Regression Forest to Assess the Heterogeneous Effects},
author = {Huichen Zhu and Yifei Sun and Ying Wei},
journal= {arXiv preprint arXiv:2212.05672},
year = {2022}
}