面向个体化决策的跳跃区间学习
统计方法学
2023-01-31 v2 机器学习
统计理论
机器学习
统计理论
摘要
个体化决策规则 (IDR) 是一种基于个体观测特征为其分配特定治疗的决策函数。文献中多数现有工作考虑二值或有限多个治疗选项的设置。本文关注连续治疗设置，提出一种跳跃区间学习以发展最大化期望结果的个体化区间值决策规则 (I2DR)。与推荐单一治疗的 IDR 不同，所提出的 I2DR 为每位个体给出治疗选项的一个区间，使其在实践中更具灵活性。为推导最优 I2DR，我们的跳跃区间学习方法通过跳跃惩罚回归估计给定治疗与协变量的结果条件均值，并基于估计的结果回归函数推导相应的最优 I2DR。回归量可为用于清晰解释的线性形式，或为建模复杂治疗-协变量交互的深度神经网络。为实现跳跃区间学习，我们开发了基于动态规划的搜索算法，高效计算结果回归函数。当结果回归函数关于治疗空间为分段或连续函数时，建立了所得 I2DR 的统计性质。我们进一步开发了在 (估计的) 最优策略下推断平均结果的步骤。通过大量模拟及对华法林研究的真实数据应用，证明了所提 I2DR 的经验有效性。
引用
@article{arxiv.2111.08885,
title = {Jump Interval-Learning for Individualized Decision Making},
author = {Hengrui Cai and Chengchun Shi and Rui Song and Wenbin Lu},
journal= {arXiv preprint arXiv:2111.08885},
year = {2023}
}