基于 Group Lasso 规则集成法的异质处理效应估计
统计方法学
2022-06-20 v1
摘要
基于真实世界数据的精准医学所受到的科学关注日益增加,促使近期许多研究致力于厘清处理效应与患者特征之间的关系。然而这具有挑战性,因为个体处理效应普遍存在异质性,且其背景的真实世界数据复杂且含噪。由于其灵活性,已有多种异质处理效应 (HTE) 机器学习 (ML) 估计方法被提出。然而,大多数 ML 方法采用黑盒模型,阻碍了直接解释个体特征与处理效应之间的相互关系。本研究提出一种基于称为 RuleFit 的规则集成法的 HTE 估计 ML 方法。RuleFit 的主要优势是可解释性与准确性。然而,HTE 总是在潜在结果框架下定义,RuleFit 无法直接应用。因此,我们改进了 RuleFit 并提出了一种估计 HTE 的方法,可从模型中直接解释个体特征之间的相互关系。
引用
@article{arxiv.2206.08576,
title = {Rules Ensemble Method with Group Lasso for Heterogeneous Treatment Effect Estimation},
author = {Ke Wan and Kensuke Tanioka and Toshio Shimokawa},
journal= {arXiv preprint arXiv:2206.08576},
year = {2022}
}
备注
18 pages, 5 figures