不可观测混杂下个体化治疗策略的近端学习
统计方法学
2022-12-26 v4 机器学习
机器学习
摘要
数据驱动的个体化决策近来受到越来越多的研究关注。大多数现有方法依赖于无不可观测混杂的假设，遗憾的是该假设在实践中尤其观察性研究中无法保证。受近期提出的近端因果推断启发，我们发展了若干近端学习方法，用于在存在不可观测混杂时估计最优个体化治疗策略（ITRs）。具体而言，我们针对不同类型的 ITR 建立了若干识别结果，揭示了不可检验假设的风险与决策中价值函数提升之间的权衡。基于这些结果，我们提出了若干基于分类的方法来寻找各类受限最优 ITR，并发展了它们的理论性质。我们所提方法良好的数值表现通过广泛的模拟研究和一个真实数据应用得到展示。
引用
@article{arxiv.2105.01187,
title = {Proximal Learning for Individualized Treatment Regimes Under Unmeasured Confounding},
author = {Zhengling Qi and Rui Miao and Xiaoke Zhang},
journal= {arXiv preprint arXiv:2105.01187},
year = {2022}
}