估计长期异质剂量响应曲线：利用最优传输权重的泛化边界
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文提出了一种整体空间因果回归（ESCFR）方法，旨在解决观察数据中的治疗选择偏倚问题。该方法通过随机最优输运框架，结合协变量独立性约束，成功估计异质性处理效应，并在多个数据集上表现优于现有方法。
🔎
延伸解读
方法核心：随机最优输运与独立性约束
ESCFR 方法的核心在于利用随机最优输运框架，并引入协变量独立性约束，以应对观察数据中的治疗选择偏倚。与仅追求协变量与治疗变量独立的传统方法不同，该方法强调平衡和预测表示需满足协变量与治疗变量及潜在反应之间的条件独立性，从而为无偏估计异质剂量响应曲线提供理论保障。
CRNet：保持剂量连续性的表示学习网络
基于理论证明，作者提出了对比平衡表示学习网络（CRNet），使用部分距离度量来估计异质剂量响应曲线。该网络的关键优势在于不丢失治疗剂量的连续性，能够处理连续治疗变量下的反事实预测问题，克服了独立性约束可能忽略有用协变量信息的局限。
实验验证与性能优势
在合成和真实世界数据集上的广泛实验表明，ESCFR 方法显著优于现有方法。这验证了其在解决治疗选择偏倚和估计异质性处理效应方面的有效性，为精准医学和管理科学等领域的决策制定提供了更可靠的因果推断工具。
❓
Q&A
ESCFR方法的主要目的是什么？
ESCFR方法旨在解决观察数据中的治疗选择偏倚问题。
ESCFR方法是如何估计异质性处理效应的？
该方法利用随机最优输运框架，结合协变量独立性约束来估计异质性处理效应。
ESCFR方法在实验中表现如何？
在合成和真实世界数据集上，ESCFR方法的表现显著优于现有方法。
CRNet在ESCFR方法中有什么作用？
CRNet用于估计异质剂量响应曲线，保持治疗剂量的连续性。
ESCFR方法如何处理小批量采样效应？
该方法通过放松保质保量约束和设计近端事实后果约束来解决小批量采样效应。
ESCFR方法的理论基础是什么？
理论上证明了平衡和预测表示在无偏估计异质剂量响应曲线方面的重要性。
🏷️
