Proximal Individualized Functional Treatment Regimes
近端因果框架下的个体化函数型处理规则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：摘要明确研究未观测混杂下的近端因果识别与最优个体化处理规则，直接属于因果推断。
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
近端因果框架下的个体化函数型处理规则
- 研究问题
- 当处理本身是一条函数且观察数据存在未观测混杂时，如何识别并估计最优个体化处理规则，以支持个性化决策？
- 方法与思路
- 作者在近端因果推断框架中建立一类函数型处理规则的识别结果，据此开发优化算法，并以模拟及身体活动数据展示应用。
- 材料陈述的贡献
- 摘要称将个体化规则研究扩展至存在未观测混杂的函数型处理，提供识别与求解方法，并应用于优化身体活动分布。
- 阅读关注点
- 应核对近端识别所需代理变量及其条件、可识别规则类和价值目标，以及函数处理表示、算法优化和实际规则约束。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明代理变量条件和识别范围，模拟表现不能确认应用中的因果有效性。
原文摘要
Estimating individualized treatment regimes (ITRs) is fundamental in data-driven personalized decision-making problems, such as precision medicine. Most of the ITR literature either focuses on categorical/continuous treatments or assumes no unmeasured confounding. In this paper, we make the first attempt to estimate the optimal individualized functional treatment regime (IFTR) for observational data where the treatment is a function and unmeasured confounding is present. We establish an identification result for a class of IFTRs under the proximal causal inference framework. Based on the identification result, we develop an algorithm of finding the optimal IFTR. The appealing practical performance of the proposed method is demonstrated by a simulation study. The proposed method is applied to an accelerometry dataset collected by the US National Health and Nutrition Examination Survey to find the optimal physical activity distribution for the best of the Triglyceride-Glucose index.