使用表示平衡从聚类数据学习条件平均剂量响应
机器学习
2024-07-29 v2 统计方法学
摘要
估计单元对带关联剂量的干预的响应，即“条件平均剂量响应”（CADR），在从医疗到商业、经济等诸多领域都相关。此类响应通常须从观测数据估计，这引入若干挑战。正因如此，机器学习（ML）界提出了几种定制的 CADR 估计器。然而，这些多数方法的提出需要对数据分布与干预分配有很强的假设，超出了因果推断中的标准假设。先前工作聚焦于协变量分布随剂量平滑偏移，本文则研究从聚类数据估计 CADR，且不同剂量分配给人群不同 segment。在一个新颖基准数据集上，我们展示了聚类数据对模型性能的影响，并提出估计器 CBRNet，它通过表示平衡学习簇无关因而剂量无关的协变量表示，以进行无偏 CADR 推断。我们进行了大量实验以阐明方法机理，并与 CADR 估计的 ML 最优方法比较。
引用
@article{arxiv.2309.03731,
title = {Using representation balancing to learn conditional-average dose responses from clustered data},
author = {Christopher Bockel-Rickermann and Toon Vanderschueren and Jeroen Berrevoets and Tim Verdonck and Wouter Verbeke},
journal= {arXiv preprint arXiv:2309.03731},
year = {2024}
}
备注
21 pages, 7 figures, v2: updated methodology and experiments