On Multiple Robustness of Proximal Dynamic Treatment Regimes
近端动态治疗策略的多重稳健性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究无混杂假设失效时的动态策略识别、反事实均值及近端因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
近端动态治疗策略的多重稳健性
- 研究问题
- 当观察性数据中的无混杂假设不成立时，如何识别和学习最优动态治疗策略，并提高多阶段估计的效率与稳健性？
- 方法与思路
- 作者采用近端因果推断，提出三种非参数识别方法，推导给定策略价值函数的半参数效率界，并构建多阶段稳健学习方法。
- 材料陈述的贡献
- 摘要称，提出随阶段数变化的多重稳健方法，并得到静态策略下反事实均值的识别与估计结果；数值实验支持效率和稳健性。
- 阅读关注点
- 应核对近端识别所需代理变量及桥函数条件、三种识别方法的差异，以及多重稳健性允许哪些模型组合误设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出完整识别和效率条件，不能将多重稳健性理解为可抵御任意未观测混杂。
原文摘要
Dynamic treatment regimes are sequential decision rules that adapt treatment according to individual time-varying characteristics and outcomes to achieve optimal effects, with applications in precision medicine, personalized recommendations, and dynamic marketing. Estimating optimal dynamic treatment regimes via sequential randomized trials might face costly and ethical hurdles, often necessitating the use of historical observational data. In this work, we utilize proximal causal inference framework for learning optimal dynamic treatment regimes when the unconfoundedness assumption fails. Our contributions are four-fold: (i) we propose three nonparametric identification methods for optimal dynamic treatment regimes; (ii) we establish the semiparametric efficiency bound for the value function of a given regime; (iii) we propose a (K+1)-robust method for learning optimal dynamic treatment regimes, where K is the number of stages; (iv) as a by-product for marginal structural models, we establish identification and estimation of counterfactual means under a static regime. Numerical experiments validate the efficiency and multiple robustness of our proposed methods.