基于纵向移动健康数据的个性化策略学习
统计方法学
2020-01-13 v1
摘要
我们利用纵向移动健康应用使用数据解决个性化策略学习问题。个性化策略代表了一种范式转变，不同于开发可通过定制给出个性化决策的单一策略。具体而言，我们旨在基于广义线性混合模型下随机效应的估计，为每位用户分别开发最优策略。面对众多随机效应，我们考虑新的估计方法与惩罚目标，以规避边际似然近似中的高维积分。我们建立了在内生应用使用情形下方法的一致性与最优性。我们将方法应用于为 294 名应用用户制定个性化推送（“提示”）时间表，目标是在给定过往应用使用及其他情境因素下最大化提示响应率。我们发现，在给定相同协变量时，最优推送时间表在用户间存在差异，因此需要个性化策略。使用估计的个性化策略在这些用户中于 16 周或之后可实现平均提示响应率 23%：相较于观测率（11%）有显著提升，而文献表明下载后 3 个月用户参与率为 3%–15%。所提方法在模拟研究中优于现有估计方法，包括使用 R 函数“glmer”。
引用
@article{arxiv.2001.03258,
title = {Personalized Policy Learning using Longitudinal Mobile Health Data},
author = {Xinyu Hu and Min Qian and Bin Cheng and Ying Kuen Cheung},
journal= {arXiv preprint arXiv:2001.03258},
year = {2020}
}