跳转至

Modified treatment policies that depend on the natural history of treatment

作者: Iv\'an D\'iaz, Nicholas T. Williams, Pawe{\l} Morzywo{\l}ek, Kara E. Rudolph
主题: 其他
相关性: 9/10
链接: https://arxiv.org/abs/2605.24167

一、核心问题与贡献

①研究了纵向修改治疗策略（LMTP）中，干预不仅依赖于当前自然治疗值还依赖于自然治疗历史（如“延迟干预”）时的因果效应识别与估计问题。②核心工具是基于增广数据结构的纵向g-computation序列回归表示，以及基于有效影响函数的TMLE和SDR估计器。③主要贡献是突破了已有LMTP仅依赖当前自然治疗值的限制，推导了依赖历史的G-LMTP的识别公式与有效影响函数，并证明了在标准双重稳健速率条件下估计器的\(\sqrt{n}\)-一致性与半参数有效性。

二、基础设定

  • 核心概念与符号：
  • \(Z = (L_1, A_1, \dots, L_\tau, A_\tau, Y)\)：纵向观测数据。
  • \(A_t^d = d_t(\bar{A}_t(\bar{A}_{t-1}^d), H_t(\bar{A}_{t-1}^d))\)：G-LMTP干预值，依赖于自然治疗历史\(\bar{A}_t\)与干预历史\(H_t\)。
  • \(m_t(\bar{s}_t, a_t, h_t)\)：增广序列回归函数，\(s_t\)为追踪自然治疗可能取值的辅助变量。
  • \(q_t(\bar{s}_{t-1}, a_t, h_t) = m_t((\bar{s}_{t-1}, a_t), d_t((\bar{s}_{t-1}, a_t), h_t), h_t)\)。
  • \(\phi_t, \bar{\phi}_t\)：影响函数及其中心化版本；\(D_{t,k}\)：干预指示与倾向得分比重的乘积。
  • 关键假设：
  • Assumption 1 (Positivity)：干预分布的支持度包含于观测分布的支持度中。含义：确保g-formula中的条件期望与密度比可计算。与已有文献相比，因干预依赖历史，支持度条件在增广空间\((s_t, a_t, h_t)\)上要求更复杂。
  • Assumption 2 (Strong sequential randomization)：\(U_{A,t} \perp\!\!\!\perp (U_{L,t+1}, U_{A,t+1}) | H_t\)。含义：无未测量的时变混杂。与标准纵向因果推断一致，未做放宽。
  • 问题背景：已有LMTP估计器（如Díaz et al., 2023）仅能处理\(d_t(A_t(\bar{A}_{t-1}^d), H_t(\bar{A}_{t-1}^d))\)形式的干预，无法处理“延迟干预”等需要访问\(A_{t-1}(\bar{A}_{t-2}^d)\)的策略。本文与Richardson and Robins (2013)（仅给识别未给估计）、Díaz et al. (2023)（仅处理当前值依赖）直接相关，填补了依赖历史的G-LMTP的半参数有效估计空白。

三、主要定理 / 核心结果

  1. Proposition 1 (Sequential regression representation)
  2. 原文陈述：令\(m_\tau(a_\tau, h_\tau) = E[Y|A_\tau=a_\tau, H_\tau=h_\tau]\)，\(q_\tau(\bar{s}_{\tau-1}, A_\tau, H_\tau) = m_\tau(d_\tau((\bar{s}_{\tau-1}, A_\tau), H_\tau), H_\tau)\)。递归定义\(m_t(\bar{s}_t, a_t, h_t) = E[q_{t+1}(\bar{s}_t, A_{t+1}, H_{t+1})|A_t=a_t, H_t=h_t]\)，\(q_t(\bar{s}_{t-1}, a_t, h_t) = m_t((\bar{s}_{t-1}, a_t), d_t((\bar{s}_{t-1}, a_t), h_t), h_t)\)，则\(\theta = E[q_1(A_1, H_1)]\)。
  3. 直观解释：通过引入辅助变量\(\bar{s}_t\)解耦条件期望中的多重干预赋值（将\(d_2(a_1, a_2)\)中的\(a_1\)与积分变量分离），将不可直接计算的g-computation公式转化为增广数据上的迭代条件期望。
  4. 解决的技术难点：解决了当干预依赖历史时，标准迭代条件期望（Bang & Robins形式）因条件集中包含不同干预赋值而失效的问题。
  5. 适用条件与局限：要求\(A_t\)

Maintained by 陈星宇 · Homepage · Source on GitHub

评论