利用半参数模型学习连续处理变量与协变量之间的交互作用
统计方法学
2025-05-08 v1 最优化与控制
应用统计
摘要
估计连续处理变量（例如，剂量大小）对二元结果的影响在建模和估计方面面临重大挑战，因为许多现有方法做出了不适用于某些连续处理变量的强假设。例如，传统的逻辑回归做出了强线性假设，这不适用于像开始时间这样的连续处理变量。在这项工作中，我们提出了一个半参数回归框架，该框架将效应分解为两个可解释的组成部分：一个预后评分，用于捕捉基于临床、遗传和社会人口学特征组合的基线结果风险；以及一个处理-交互评分，通过非参数链接函数灵活地模拟最优处理水平。通过使用Nadaraya-Watson回归连接这两个参数评分，我们的方法既具有可解释性又具有灵活性。我们通过数值模拟展示了该方法的潜力，这些模拟显示了经验估计的收敛性。最后，我们将我们的方法应用于一个使用国际华法林药物基因组学联盟（IWPC）数据集的真实案例研究，通过推导整合了遗传和临床数据的个性化华法林剂量建议，展示了我们方法的临床实用性，为提高抗凝治疗中的患者安全性和治疗效果提供了见解。
引用
@article{arxiv.2505.03893,
title = {Learning Interactions Between Continuous Treatments and Covariates with a Semiparametric Model},
author = {Muyan Jiang and Yunkai Zhang and Anil Aswani},
journal= {arXiv preprint arXiv:2505.03893},
year = {2025}
}