用于促进目标人群个体化治疗规则学习的鲁棒样本加权
机器学习
2023-07-04 v2 机器学习
统计方法学
摘要
学习个体化治疗规则（ITRs）是精准医学中的重要课题。现有文献主要关注从单一源人群推导 ITRs。我们考虑观察性数据设定下源人群不同于感兴趣目标人群的情形。与作为标量量的平均治疗效应的因果泛化相比，ITR 泛化因需基于一个预设函数类对规则建模并泛化（该类可能不包含无限制的真实最优 ITR）而带来新挑战。本文旨在开发一种加权框架，以缓解此类错误设定带来的影响，从而促进最优 ITRs 从源人群到目标人群的泛化能力。我们的方法在由再生核希尔伯特空间刻画的非参数函数类上寻求协变量平衡，并可改进许多依赖权重的 ITR 学习方法。我们证明所提方法将重要性权重与重叠权重涵盖为两个极端情形，从而在两者之间实现更好的偏差-方差权衡。数值示例表明，与其他加权方法相比，使用我们的加权方法可大幅改进目标人群的 ITR 估计。
引用
@article{arxiv.2105.00581,
title = {Robust Sample Weighting to Facilitate Individualized Treatment Rule Learning for a Target Population},
author = {Rui Chen and Jared D. Huling and Guanhua Chen and Menggang Yu},
journal= {arXiv preprint arXiv:2105.00581},
year = {2023}
}
备注
Biometrika, in press