Decision Theoretic Subgroup Detection With Bayesian Machine Learning
基于贝叶斯机器学习的决策论亚组发现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：摘要以处理有效性、处理效应异质性、亚组选择及选择后效应推断为核心，并用临床试验说明，因此归入因果推断。
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…
基于贝叶斯机器学习的决策论亚组发现
- 研究问题
- 如何从贝叶斯决策论角度选择处理有效或效应异质的亚组，同时控制简单决策规则的风险偏好，并减轻选择后推断中的赢家诅咒？
- 方法与思路
- 作者提出 BRAIDS 效用，使亚组选择在风险寻求和风险厌恶之间变化，以虚拟孪生算法变体为风险中性中点，并配合正则化先验。
- 材料陈述的贡献
- 摘要称揭示直接应用贝叶斯决策论的反直觉风险寻求行为，提出选择及选择后推断框架，并报告合适先验下可信区间达到名义覆盖的经验证据。
- 阅读关注点
- 应核对效用函数的风险参数、亚组选择与后验推断的衔接、先验对赢家诅咒的作用，以及名义覆盖证据的评价方式和适用设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要中的覆盖结论属于依赖适当先验的经验证据，未说明普遍覆盖定理或具体试验效应。
原文摘要
We consider the problem of identifying promising subpopulations in terms of treatment effectiveness or treatment effect heterogeneity, from a Bayesian decision theoretic perspective. We first show that a straight-forward application of Bayesian decision theory to subgroup detection leads to a counter-intuitive risk-seeking (RS) behavior. Motivated by this observation, we introduce the Bayesian Risk-Aware Inference and Detection of Subgroups (BRAIDS) utility and use it to perform subgroup selection and post selection inference. The BRAIDS utility interpolates between risk-seeking (RS) and risk-averse (RA) identifications of subgroups, with a variant of the virtual twins algorithm as its risk-neutral midpoint. We also argue that effective subgroup estimation and inference requires the use of regularization priors to safeguard inferences from the winner's curse. We provide empirical evidence that posterior credible intervals for subgroup effects can still obtain nominal coverage levels, provided that an appropriate prior distribution is chosen. The proposed framework is illustrated on data from clinical trial assessing the efficacy of canagliflozin as a treatment for type 2 diabetes.