用因果森林靶向相对风险异质性
统计方法学
2025-06-10 v3 机器学习
机器学习
摘要
在临床试验分析中，识别亚组间的异质处理效应(HTE)具有重要意义。若干前沿的HTE估计方法，包括因果森林，采用递归划分以非参数地识别相关协变量与交互作用。然而，划分准则通常基于绝对风险的差异。这可能因掩盖相对风险中的变异而稀释统计功效，而相对风险往往是更具临床意义的恰当量。本工作中，我们提出并实现一种修改因果森林以靶向相对风险的方法论，采用基于穷举广义线性模型比较的新颖节点分裂过程。我们呈现的模拟数据结果表明，相对风险因果森林可捕捉否则未被检出的异质性来源。我们将该方法应用于真实世界试验数据，以探索利拉鲁肽在2型糖尿病患者中的HTE。
引用
@article{arxiv.2309.15793,
title = {Targeting relative risk heterogeneity with causal forests},
author = {Vik Shirvaikar and Andrea Storås and Xi Lin and Chris Holmes},
journal= {arXiv preprint arXiv:2309.15793},
year = {2025}
}
备注
24 pages, 5 figures, 5 tables