个性化路径特定效应

与通常以群体中处理的平均因果效应为目标的经典因果推断不同，在个性化医疗等场景中，目标是将给定单元的特征映射到为其定制以最大化该单元预期结果的处理上。获得此类高质量映射是动态体制文献（Chakraborty and Moodie 2013）的目标，并与强化学习和实验设计相关联。除平均处理效应外，因果关系背后的机制也备受关注。一种被充分研究的机制分析方法是在一组特定因果路径上建立平均效应，最简单的情况是直接与间接效应。估计此类效应是中介分析文献（Robins and Greenland 1992; Pearl 2001）的主题。在本文中，我们考虑如何利用单元特征来定制最大化特定路径特定效应的处理分配策略。在医疗应用中，例如，若我们有兴趣最大化药物对结果的化学效应（对应于直接效应），同时假设药物依从性（对应于间接效应）被设定为某参考水平，则寻找此类策略是有意义的。为解决我们的问题，我们定义与策略的路径特定效应相关的反事实，给出这些反事实的一般识别算法，给出完备性证明，并展示机器学习中的分类算法（Chen, Zeng, and Kosorok 2016）如何可用于寻找高质量策略。我们通过模拟研究验证了我们的方法。