带单调缺失的长期治疗效应识别与估计
机器学习
2025-04-29 v1 机器学习
摘要
估计长期治疗效应在多个领域具有广泛应用。关键特征在于，收集长期结局通常涉及多阶段过程，且受单调缺失制约——即在较早阶段缺失的个体在后续阶段也保持缺失状态。尽管这种单调缺失广泛存在，但以往用于估计长期治疗效应的研究极少探索这一问题。本文通过引入顺序缺失假设进行识别，提出三种新方法：逆概率加权、顺序回归插值和顺序边际结构模型（SeqMSM）。鉴于SeqMSM方法因单调缺失导致的数据稀疏性可能引发高方差，我们进一步提出一种新的平衡增强方法BalanceNet，以提高估计方法的稳定性和准确性。在两个广泛使用的基准数据集上的大量实验表明，我们提出的方法有效。
引用
@article{arxiv.2504.19527,
title = {Identification and Estimation of Long-Term Treatment Effects with Monotone Missing},
author = {Qinwei Yang and Ruocheng Guo and Shasha Han and Peng Wu},
journal= {arXiv preprint arXiv:2504.19527},
year = {2025}
}