高维数据中基于平滑一致性辅助学习的最优治疗决策
统计方法学
2023-05-03 v1
摘要
最优治疗体制是指在期望意义上产生最优治疗结果的个体化治疗决策规则。治疗决策规则的一个简单情形是线性决策规则，由其系数和阈值刻画。随着患者异质性数据的积累，在高维设定下估计具有线性决策规则的最优治疗体制备受关注。单时间点最优治疗体制可利用基于成对比较的一致性辅助学习 (CAL) 进行估计。CAL 灵活且在低维下取得良好结果。然而，由于其内部含有指示函数，CAL 在高维下难以优化。近来，研究者提出使用一类累积分布函数替代指示函数的平滑方法。本文中，我们引入平滑一致性辅助学习 (SMCAL)，将平滑方法应用于 CAL，采用一类 sigmoid 函数。随后，我们通过分析协变量为连续情形下的逼近误差与随机误差，证明了估计系数的收敛速率。我们也考虑了离散协变量情形，并建立了类似结果。模拟研究展示了我们方法的优势。
引用
@article{arxiv.2305.01171,
title = {Smoothed Concordance-Assisted Learning for Optimal Treatment Decision in High Dimensional Data},
author = {Angzhi Fan},
journal= {arXiv preprint arXiv:2305.01171},
year = {2023}
}