用于估计反复个体处理效应的模型孪生随机化（MoTR）方法
统计方法学
2025-09-30 v7 应用统计
摘要
得益于移动应用和可穿戴传感器，时间密集的单人“小数据”已广泛可用。许多照护者和自我追踪者希望利用这些数据来帮助特定个体改变行为以实现期望的健康结果。理想情况下，这涉及利用该个体自身的观测时间序列数据从相关性中辨别可能的原因。在本文中，我们估计了身体活动对睡眠时长的个体内平均处理效应，以及反之亦然。我们引入了模型孪生随机化（MoTR；"motor"）方法用于分析个体的密集纵向数据。形式上，MoTR 是在序列干扰下 g-公式（即标准化、后门调整）的一个应用。它估计稳定的反复个体处理效应，正如 n-of-1 试验和单案例实验设计中所做的那样。我们将我们的方法与标准方法（可能存在混杂）进行比较，以展示如何使用因果推断为健康行为改变提供更好的个性化建议，并分析了作者自身近八年来的 Fitbit 步数与睡眠数据。
引用
@article{arxiv.2208.00739,
title = {Model-Twin Randomization (MoTR) for Estimating the Recurring Individual Treatment Effect},
author = {Eric J. Daza and Igor Matias and Logan Schneider},
journal= {arXiv preprint arXiv:2208.00739},
year = {2025}
}
备注
45 pages (34 main text, 11 appendix); 4 figures (1 main text, 3 appendix); 6 tables (5 main text, 1 appendix)