长期平均结果的离策略估计及其在移动健康中的应用
机器学习
2020-07-24 v3 统计理论
机器学习
统计理论
摘要
由于可穿戴设备和传感技术的最新进展，健康科学家正越来越多地开发移动健康（mHealth）干预措施。在 mHealth 干预中，移动设备被用于在日常生活的个体身上实施治疗。这些治疗通常旨在影响近时、近端结果，如压力或身体活动。mHealth 干预策略，常称为即时自适应干预（just-in-time adaptive interventions），是决策规则，将个体的当前状态（例如，个体的过往行为以及时间、地点、社交活动、压力和吸烟冲动的当前观测）映射到多个时间点上特定的治疗。当前绝大多数 mHealth 干预部署的是专家推导的策略。本文中，我们提供一种方法，利用在可能不同的策略下收集的历史数据，对一个或多个此类策略的性能进行推断。我们的性能度量是在遵循特定 mHealth 策略的情况下，长期时间段内近端结果的平均值。我们提供了估计量以及置信区间。该工作受 HeartSteps（一项 mHealth 身体活动干预）的启发。
引用
@article{arxiv.1912.13088,
title = {Off-Policy Estimation of Long-Term Average Outcomes with Applications to Mobile Health},
author = {Peng Liao and Predrag Klasnja and Susan Murphy},
journal= {arXiv preprint arXiv:1912.13088},
year = {2020}
}