通过校准在因果研究中稳定发现可解释子群
统计方法学
2020-09-30 v2 机器学习
应用统计
摘要
基于 Yu 与 Kumbier 的 PCS 框架并针对随机实验，我们引入一种用于通过校准稳定发现可解释子群（StaDISC）的新方法，适用于存在较大异质处理效应的情况。StaDISC 源于我们对 1999–2000 年 VIGOR 研究的再分析而开发；该随机对照试验（RCT）纳入 8076 名患者，比较了当时新获批药物 Rofecoxib（Vioxx）与较老药物 Naproxen 不良事件的风险。研究发现，与 Naproxen 相比，Vioxx 平均而言降低了胃肠道（GI）事件风险，但增加了血栓性心血管（CVT）事件风险。应用 StaDISC，我们对两种结局分别拟合了 18 种流行的条件平均处理效应（CATE）估计器，并利用校准揭示其糟糕的全局表现。然而它们在局部校准良好且稳定，从而能够识别处理效应大于（估计的）平均值的患者群体。事实上，StaDISC 针对 GI 结局发现了三个临床可解释子群（占研究规模的 29.4%），针对 CVT 结局发现了三个（占 11.0%）。利用独立开展的 2001–2004 年 APPROVe 研究（一项含 2587 名患者的独立 RCT）对所得子群进行补充分析，为进一步支持 StaDISC 的潜力提供了证据。
引用
@article{arxiv.2008.10109,
title = {Stable discovery of interpretable subgroups via calibration in causal studies},
author = {Raaz Dwivedi and Yan Shuo Tan and Briton Park and Mian Wei and Kevin Horgan and David Madigan and Bin Yu},
journal= {arXiv preprint arXiv:2008.10109},
year = {2020}
}
备注
Raaz Dwivedi and Yan Shuo Tan are joint first authors and contributed equally to this work. 52 pages, 8 Figures, 9 Tables. To appear in International Statistical Review, 2020