用于生存结果下异质处理效应的变量重要性度量
统计方法学
2024-12-17 v1
摘要
处理效应的异质性在因果推断的许多领域中发挥着重要作用,而且近年来,对条件平均处理效应 (CATE) 的估计在统计社区中受到广泛关注。虽然通过灵活的机器学习程序对 CATE 函数进行准确估计提供了对个体处理效应预测的工具,但并未提供进一步洞察潜在处理效应异质性的驱动特征。最近的论文通过提供处理效应异质性的变量重要性度量来解决这一问题。大多数建议都针对连续或二元结果开发,而针对受 censoring 影响的生存时间结果的关注则很少。本文将 Hines 等人 (2022) 提出的处理效应变量重要性度量 (TE-VIM) 扩展到具有受 censoring 结果的生存情境中。我们根据生存函数和 RMST 分别推导了两种 CATE 函数的 TE-VIM 估计器。除 TE-VIM 外,我们还提出了一种新的处理效应异质性度量方法,该方法基于 CATE 最佳部分线性投影,并建议相应的投影估计器。所有估计器都基于半参数效率理论,我们给出它们渐近线性的条件。本文还通过模拟研究检验了所推导估计器的有限样本性能。最后,我们在两个实际数据示例中对这些估计器进行应用和比较。
引用
@article{arxiv.2412.11790,
title = {Variable importance measures for heterogeneous treatment effects with survival outcome},
author = {Simon Christoffer Ziersen and Torben Martinussen},
journal= {arXiv preprint arXiv:2412.11790},
year = {2024}
}