基于聚类SMART（cSMART）数据的Q学习：在构建聚类自适应干预中检验调节变量
统计方法学
2025-05-05 v1 机器学习
机器学习
摘要
聚类自适应干预（cAI）是一套预先设定的决策规则序列，用于指导从业者如何最好地——以及基于哪些测量指标——来调整聚类层面的干预，以改善聚类内个体层面的结局。聚类序贯多重分配随机试验（cSMART）是一种用于为 cAI 的实证开发提供信息的试验类型。cSMART 中最常见的次要目标类型是评估候选裁剪变量对因果效应的调节作用。我们引入了一个聚类 Q 学习框架，该框架使用来自 cSMART 的数据，并采用 M-out-of-N 聚类自助法，以评估一组候选裁剪变量在定义最优 cAI 时是否有用。该方法能够构建具有接近名义覆盖率的置信区间（CI），以评估索引因果效应调节函数的参数。具体而言，即使在存在“非正则性”这一众所周知的挑战时，它也能对候选裁剪变量在构建最大化研究结束时平均结局的 cAI 中的效用进行可靠推断。模拟研究展示了所提方法在不同非正则性条件下的数值性能，并考察了不同聚类数量和簇内相关系数对 CI 覆盖率的影响。该方法被应用于 ADEPT 数据集，为构建一个旨在改善心境障碍循证治疗的诊所级 cAI 提供信息。
引用
@article{arxiv.2505.00822,
title = {Q-Learning with Clustered-SMART (cSMART) Data: Examining Moderators in the Construction of Clustered Adaptive Interventions},
author = {Yao Song and Kelly Speth and Amy Kilbourne and Andrew Quanbeck and Daniel Almirall and Lu Wang},
journal= {arXiv preprint arXiv:2505.00822},
year = {2025}
}