稳健且高效的半监督平均处理效应估计及其在电子健康记录数据中的应用
统计方法学
2020-10-27 v2
摘要
我们考虑在半监督学习设定下估计平均处理效应（ATE）的问题，其中极小比例的全体观测被标注了真实结果，但所有观测中均可获得可预测结果的特征。例如，在使用电子健康记录（EHR）数据估计处理效应时会出现此问题，因为金标准结果通常无法直接从记录中观测到，而是通过小规模的人工病历审查在有限数量的患者中观测到。我们提出了一种基于插补的 ATE 估计方法，该方法对插补模型的误设定具有稳健性。这有效地允许安全地利用来自预测特征的信息来提高 ATE 估计的效率。该估计量还具有双重稳健性，即在初始倾向得分模型或基线结果模型之一正确设定时是一致的。在已知未标注数据分布的理想半监督模型下，它也是局部半参数有效的。模拟实验显示了所提方法在有限样本下相较于现有方法的效率与稳健性。我们使用来自 Partner's Healthcare 的 EHR 数据，通过比较两种生物制剂治疗炎症性肠病的治疗应答率来说明该方法。
引用
@article{arxiv.1804.00195,
title = {Robust and Efficient Semi-Supervised Estimation of Average Treatment Effects with Application to Electronic Health Records Data},
author = {David Cheng and Ashwin Ananthakrishnan and Tianxi Cai},
journal= {arXiv preprint arXiv:1804.00195},
year = {2020}
}
备注
47 pages, 2 figures; Revised version - To appear in Biometrics