Improved Doubly Robust Estimation in Learning Optimal Individualized Treatment Rules
学习最优个体化治疗规则的改进双重稳健估计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。
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：摘要明确研究个体化治疗规则、倾向得分与双重稳健估计。
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
学习最优个体化治疗规则的改进双重稳健估计
- 研究问题
- 如何在学习个体化治疗规则时兼顾模型误设下的一致性，并在倾向得分模型正确时降低双重稳健估计的方差？
- 方法与思路
- 作者在一类治疗规则上直接优化预期临床结果的增广逆概率加权估计量，构建改进的双重稳健规则估计方法。
- 材料陈述的贡献
- 摘要称，倾向得分或结果模型之一正确即可保证一致性；倾向模型正确时，无论结果模型是否正确，方法在相应双重稳健类中方差最小。
- 阅读关注点
- 应核对双重稳健性所指的估计目标、最小方差比较类，以及治疗规则搜索空间、优化过程和数据驱动规则评价所需条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明识别条件及方差比较类的细节，不能将其最小方差结论扩展到所有估计方法。
原文摘要
Individualized treatment rules (ITRs) recommend treatment according to patient characteristics. There is a growing interest in developing novel and efficient statistical methods in constructing ITRs. We propose an improved doubly robust estimator of the optimal ITRs. The proposed estimator is based on a direct optimization of an augmented inverse-probability weighted estimator (AIPWE) of the expected clinical outcome over a class of ITRs. The method enjoys two key properties. First, it is doubly robust, meaning that the proposed estimator is consistent when either the propensity score or the outcome model is correct. Second, it achieves the smallest variance among the class of doubly robust estimators when the propensity score model is correctly specified, regardless of the specification of the outcome model. Simulation studies show that the estimated ITRs obtained from our method yield better results than those obtained from current popular methods. Data from the Sequenced Treatment Alternatives to Relieve Depression (STAR*D) study is analyzed as an illustrative example.