Detecting Heterogeneous Treatment Effects with Differential Variance Inference for Time-to-Event Outcomes
Differential variance estimands, defined as contrasts of potential outcome variances, have recently been proposed to detect heterogeneous treatment effects. Unlike causal parameters typically used to capture treatment effect heterogeneity, these contrasts can refute homogeneous treatment effect hypotheses when effect modifiers are missing from the data. Differential variance estimands and their associated causal machine learning estimators are therefore of utility in settings where the drivers of heterogeneity are difficult to collect, unknown at baseline, or not measured during data collection due to resource constraints. This methodology is only available in data-generating processes with continuous outcomes, however. In this talk, we derive differential variance estimands to detect heterogeneous treatment effects in settings with time-to-event outcomes. We also develop accompanying causal machine learning estimators of these parameters for observational and experimental data.
Détection des effets hétérogènes des traitements à l'aide d'inférence différentielle de la variance pour les données de durées de vie
Les estimandes de variance différentielle, définis comme des contrastes des variances des résultats potentiels, ont récemment été proposés pour détecter des effets de traitement hétérogènes. Contrairement aux paramètres causaux généralement utilisés pour capter l’hétérogénéité des effets de traitement, ces contrastes peuvent réfuter les hypothèses d’effet de traitement homogène lorsque certains modificateurs d’effet sont manquants des données. Les estimandes de variance différentielle, ainsi que leurs estimateurs en apprentissage automatique causal, sont donc utiles dans des contextes où les facteurs d’hétérogénéité sont difficiles à mesurer, inconnus au départ ou non recueillis par manque de ressources. Cependant, cette méthodologie n’est possible que dans des processus générateurs de données avec des valeurs continues. Dans cette présentation, nous dérivons des estimandes de variance différentielle pour détecter des effets de traitement hétérogènes dans des contextes comportant des données de durée de vie. Nous développons aussi des estimateurs en apprentissage automatique causal pour ces paramètres pour des données observationnelles et des données expérimentales.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English