将个体视为群体：用于分析自我追踪健康数据的单受试者因果推断纵向视角

得益于自我追踪技术（如可穿戴设备、移动应用、传感器、植入物）的进步，单受试者健康数据正变得日益可得。许多用户和健康照护者试图利用此类观测时间序列数据来推荐改变健康行为，以达成期望的健康结果。然而，现有可用的因果推断方法很少足够灵活以分析此类特质性数据。我们发展了近期提出的基于 n-of-1 随机试验的因果分析框架，并实现了一种灵活的随机森林 g-公式方法来估计称为“平均周期处理效应”的重复性个体化效应。在此过程中，我们认为我们的方法本质上类似于纵向研究，即将单一时间序列划分为取二元处理水平的周期。我们分析了作者自身六年的自我追踪身体活动与体重数据来演示我们的方法，并将我们的分析结果与非恰当处理混杂的分析结果进行比较。