基于纵向观测数据估计个体化处理效应的变分时间去混杂器
机器学习
2022-07-26 v1 机器学习
摘要
由于混杂偏倚的复杂情况，利用观测数据估计处理效应，尤其是个体化处理效应（ITE），具有挑战性。现有从纵向观测数据估计处理效应的方法通常建立在“无混杂性”的强假设之上，该假设在真实世界实践中难以满足。本文提出变分时间去混杂器（VTD），一种在纵向设定下利用代理变量（即服务于不可观测变量的替代变量）的深度变分嵌入方法。具体而言，VTD利用观测到的代理变量学习一个隐藏嵌入，以反映观测数据中真实的隐藏混杂因子。因此，我们的VTD方法不依赖于“无混杂性”假设。我们在合成数据和真实世界临床数据上测试了VTD方法，结果表明，在隐藏混杂是主要偏倚来源时，与其他现有模型相比，我们的方法有效。
引用
@article{arxiv.2207.11251,
title = {Variational Temporal Deconfounder for Individualized Treatment Effect Estimation from Longitudinal Observational Data},
author = {Zheng Feng and Mattia Prosperi and Jiang Bian},
journal= {arXiv preprint arXiv:2207.11251},
year = {2022}
}