Machine learning to control confounding when estimating an optimal adaptive treatment strategy
The use of machine learning is becoming increasingly popular in causal inference to control for measured confounders data-adaptively. Relatively little work has been done on this topic when the goal is specifically to estimate an optimal adaptive treatment strategy. We introduce a nonparametric efficient estimator of the parameters of a structural nested mean model. We show that this estimator is doubly robust, that it can make use of machine learning to control confounding while retaining ease of interpretation of the target parameter, and remains root-n consistent under machine learning estimation of the nuisance function. A simple variance estimator based on the efficient influence function is available.
Utilisation de l’apprentissage automatique pour contrôler les biais de confusion dans le cadre de l’estimation de stratégies adaptatives de traitement optimales
L’utilisation de l’apprentissage automatique devient de plus en plus populaire en inférence causale afin de contrôler pour les facteurs confondants d’une façon qui s’adapte aux données. Relativement peu de travaux ont été fait sur ce sujet dans le cadre de l’estimation de stratégies adaptatives optimales de traitement. Nous proposons un estimateur non-paramétrique efficace des paramètres d’un modèle structurel niché pour la moyenne. Nous démontrons que l’estimateur est doublement robuste et qu’il peut faire utilisation de l’apprentissage automatique pour contrôler les biais de confusion sans affecter l’interprétabilité du paramètre cible, tout en conservant une convergence à vitesse racine-n. Un estimateur de variance simple basé sur la fonction d’influence efficace est disponible.
Date and Time
-
Langue de la présentation orale
Français
Langue des supports visuels
Anglais