Proximal Learning for Individualized Treatment Regimes Under Unmeasured Confounding
未测量混杂下个体化处理规则的近端学习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：摘要以未测量混杂下的近端因果识别和个体化处理规则学习为核心，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…
关注这篇论文的作者
未测量混杂下个体化处理规则的近端学习
- 研究问题
- 当观测研究存在未测量混杂时，如何识别并学习最优个体化处理规则，以及更强的不可检验假设能带来多少决策价值改善？
- 方法与思路
- 作者基于近端因果推断，为不同处理规则类别建立识别结果，再提出分类式学习方法，寻找各受限类别中的最优规则并研究其理论性质。
- 材料陈述的贡献
- 摘要称，识别结果揭示不可检验假设风险与价值函数改善之间的权衡，并通过广泛模拟和一个真实数据应用展示方法表现。
- 阅读关注点
- 应核对近端识别所需的代理变量和具体条件、各规则类别的信息限制、价值函数定义，以及分类学习误差如何影响决策价值。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未列出识别假设和理论界限，最优性也仅针对相应受限规则类别。
原文摘要
Data-driven individualized decision making has recently received increasing research interests. Most existing methods rely on the assumption of no unmeasured confounding, which unfortunately cannot be ensured in practice especially in observational studies. Motivated by the recent proposed proximal causal inference, we develop several proximal learning approaches to estimating optimal individualized treatment regimes (ITRs) in the presence of unmeasured confounding. In particular, we establish several identification results for different classes of ITRs, exhibiting the trade-off between the risk of making untestable assumptions and the value function improvement in decision making. Based on these results, we propose several classification-based approaches to finding a variety of restricted in-class optimal ITRs and develop their theoretical properties. The appealing numerical performance of our proposed methods is demonstrated via an extensive simulation study and one real data application.