异质因果图中的异质处理效应
统计方法学
2023-06-27 v2 机器学习
应用统计
机器学习
摘要
异质性与共病是交织于各类医疗健康问题中的两大挑战，极大阻碍了有效治疗的研发与潜在神经生物学机制的理解。由于统计方法的缺乏，极少有研究在图模型背景下考察异质因果效应（HCEs）。为刻画此种异质性，我们首先通过基于混杂因子的交互与多重中介对因果图模型进行推广，概念化地定义了异质因果图（HCGs）。此类与治疗存在交互的混杂因子被称为调节变量。这使我们能针对不同调节变量灵活生成HCGs，并显式刻画从治疗或潜在中介到结果的HCEs。我们建立了HCEs的理论形式，并推导了其在线性与非线性模型中个体层面的性质。我们发展了交互结构学习方法以估计复杂HCGs与HCEs，并提供置信区间。我们的方法通过大量仿真得到经验验证，并通过探索创伤幸存者中精神障碍间的因果性说明了其实用价值。
引用
@article{arxiv.2301.12383,
title = {On Heterogeneous Treatment Effects in Heterogeneous Causal Graphs},
author = {Richard A Watson and Hengrui Cai and Xinming An and Samuel McLean and Rui Song},
journal= {arXiv preprint arXiv:2301.12383},
year = {2023}
}
备注
In Proceedings of the 40th International Conference on Machine Learning (ICML) Code implementing the proposed algorithm is open-source and publicly available at: https://github.com/richard-watson/ISL