【匹兹堡大学博士论文】数据限制下的因果推理，147页pdf

本文主要研究不确定性和数据限制下的现代因果推理，并将其应用于新辅助临床试验、分布式数据网络和鲁棒的个性化决策。在第一个项目中，我们在主要分层框架下提出了一种方法，以治疗后中间反应的反事实状态为条件，来识别和估计治疗对二元结果的平均影响。在温和的假设下，可以确定感兴趣的治疗效果。将该方法扩展到审查结果数据。将所提方法应用于新辅助临床试验，并通过仿真研究对其性能进行评估。在第二个项目中，我们提出了一种基于树的模型平均方法，通过利用来自其他潜在异构站点的模型，在不共享主题级数据的情况下，提高目标站点条件平均处理效果的估计精度。据我们所知，目前还没有建立分布式数据的模型平均方法，专注于改善治疗效果的估计。通过对氧疗对医院生存率的因果影响的研究，证明了这种方法的性能，并得到了综合模拟的支持。

在第三个项目中，提出了一个具有敏感变量的鲁棒个性化决策学习框架，以改善决策时不可用的敏感变量造成的个人最坏结果。与大多数使用均值最优目标的现有工作不同，本文通过找到一个新定义的分位数或最小最优决策规则，提出了一个鲁棒的学习框架。从因果角度出发，将(平均)公平的经典概念泛化到个体主体的条件公平。通过合成实验和3个真实数据应用验证了所提方法的可靠性能。

本论文涉及以下几个方面的因果推断:1)确定主要阶层的治疗效应;2)通过异构数据集成增强对治疗效果的估计;3)考虑最坏情况下的个性化决策规则。它有可能从根本上改善目前在药物开发和精准医疗方面的实践。