连续治疗效果不准？新方法让目标人群估计更靠谱，模拟全面碾压4种旧方法！
Causal Generalization of Continuous Treatment Effects under Covariate Shift
👨💼 主理人解读 · 为什么值得关注
研究协变量偏移下连续处理效应的因果泛化，利用源样本标签与目标协变量估计平均剂量反应函数。
📖 AI 总结
本文研究连续处理效应在协变量偏移下的因果泛化问题。现有方法通常假设观测样本与目标总体一致，但实际中常存在源样本（含协变量、处理与结果）与目标样本（仅含协变量）分布不一致的情况。作者提出基于伪结果的两样本局部多项式回归框架，利用源样本结果控制混杂、目标样本协变量定义目标总体。同时，提出源到目标的距离协方差最优加权扩展方法，在消除源样本中处理与协变量依赖的同时，使加权后的源协变量分布与目标总体对齐。理论贡献在于权重层面的分析：证明总体准则可识别最优权重，且近似经验最小化器在正则条件下一致收敛。模拟显示该方法优于现有加权方法。作者还通过县级PM2.5暴露与心脏病死亡率的源-目标验证设计进行了实证说明。
🔑 关键词速览
| Average dose-response functions | 平均剂量反应函数，用于描述连续治疗剂量与结果之间的平均因果关系。 |
| Covariate shift | 协变量偏移，指源样本和目标样本的协变量分布不同，但条件关系不变。 |
| Local polynomial regression | 局部多项式回归，一种非参数回归方法，用于估计条件期望函数。 |
| Distance covariance optimal weighting (DCOW) | 距离协方差最优加权，一种通过优化权重来消除治疗与协变量依赖性的方法。 |
| Generalized propensity score | 广义倾向得分，用于连续治疗场景下处理混杂的得分，是倾向得分对连续治疗的扩展。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅