Makine Öğrenmesi Destekli Marjinal Yapısal Model (ML-MSM)
Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation · Ayrıca şöyle bilinir: ML-MSM, ML-augmented MSM, data-adaptive MSM, TMLE-MSM
Makine öğrenmesi destekli marjinal yapısal model, Robins ve diğerlerinin MSM çerçevesinin nedensel titizliğini, eğilim skorlarını ve sonuç modellerini tahmin etmek için esnek, veriye uyarlanabilir Makine Öğrenmesi (ML) algoritmalarıyla birleştirir. Parametrik önemsiz modelleri topluluk öğreniciler veya sinir ağlarıyla değiştirerek, ML-MSM'ler doğru şekilde belirtilmiş parametrik biçimlere dayanmadan, karıştırıcılık altında geçerli nedensel tahminleri kurtarır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gözlemsel verileriniz olduğunda, nedensel etkisini tahmin etmek istediğiniz bir tedavi, birçok ölçülen kovaryattan kaynaklanan karıştırıcılık ve eğilim skoru için makul bir parametrik biçimin olmaması durumunda ML-MSM'leri kullanın. Özellikle karıştırıcıların da zamanla değiştiği zamanla değişen tedavilerde değerlidirler. ML tahmincilerinin iyi performans göstermesi için yeterince büyük bir örneklem gerektirirler (en az birkaç yüz gözlem). Tedavi gerçekten randomize edildiğinde (standart regresyon yeterlidir), karıştırıcı sayısı güvenilir lojistik regresyon için yeterince küçük olduğunda veya pozitiflik varsayımı (her kişinin her tedavi düzeyini alma olasılığı sıfırdan farklıdır) ihlal edildiğinde kullanmayın — aşırı ağırlıklar ML tahmincisinden bağımsız olarak tahminleri istikrarsızlaştıracaktır.
Güçlü yönler & sınırlılıklar
- Eğilim veya sonuç modellerinin doğru parametrik olarak belirtilmesini gerektirmeden yüksek boyutlu karıştırıcıları işler.
- Eşleştirme veya regresyon ayarlaması için zor olan zamanla değişen tedavilere ve zamanla değişen karıştırıcılara doğal olarak genişler.
- Veriye uyarlanabilir önemsiz tahmin, standart MSM'lere kıyasla modelin yanlış belirtilmesinden kaynaklanan yanlılığı azaltır (lojistik eğilim skorları kullanan).
- Çift yönlü sağlam tahminle (örneğin, TMLE) birleştirildiğinde, yarı-parametrik verimlilik elde eder ve eğilim veya sonuç modellerinden biri iyi tahmin edildiğinde tutarlı kalır.
- Çapraz-eşleştirme, ML algoritmaları ilk aşamada kullanılmasına rağmen geçerli çıkarım sağlar.
- Büyük örneklemler gerektirir: ML eğilim tahmincileri doğru olasılık tahminlerini öğrenmek için yeterli veriye ihtiyaç duyar ve çok küçük örneklemler kararsız veya aşırı ağırlıklara yol açabilir.
- Aşırı veya yüksek oranda değişken IPW ağırlıkları varyansı şişirir ve tahminleri güvenilmez hale getirebilir; ağırlık kırpma yanlılık oluşturur, bu da bir yanlılık-varyans ödünleşmesi yaratır.
- Nedensel tanımlama hala ölçülmemiş karıştırıcılık olmaması (sıralı ilgisizlik) varsayımına dayanır — ML eksik karıştırıcılardan kurtaramaz.
- Çıkarımsal geçerlilik dikkatli uygulama gerektirir (çapraz-eşleştirme, etki-fonksiyonu SE); ML kullanan naif takma çıkarım geçersizdir.
- Parametrik MSM'lerden, özellikle zamanla değişen tedaviler ve topluluk öğrenicileri ile önemli ölçüde daha yüksektir.
SSS
Standart bir MSM'ye makine öğrenmesi ne ekler?
Standart bir MSM'de eğilim skoru lojistik regresyon ile tahmin edilir, bu da çok sayıda karıştırıcı veya karmaşık etkileşim olduğunda yanlış belirtilebilir. ML algoritmaları, verilerden daha esnek bir şekilde eğilim fonksiyonunu öğrenerek modelin yanlış belirtilmesinden kaynaklanan yanlılığı azaltır. Çapraz-eşleştirme ve çift yönlü sağlam tahmin ile bu, geçerli çıkarım da sağlar.
Çapraz-eşleştirme nedir ve neden gereklidir?
Çapraz-eşleştirme, ML eğilim modelinin verinin bir kısmında eğitildiği ve tahminlerin tutulmuş bir kısımda yapıldığı, ardından rollerin değiştirildiği anlamına gelir. Bu, ML tahmincisinin aşırı uyumunu önler ve sonraki ağırlıklı regresyonun ilk aşama tahmin hatası tarafından kirletilmemesini sağlar, bu da geçerli standart hatalar için gereklidir.
Aşırı IPW ağırlıkları nasıl ele alınır?
Ağırlık dağılımını inceleyin. 20 veya 30'un üzerindeki ağırlıklar, pozitifliğin neredeyse ihlal edildiğine dair bir uyarı işaretidir. Yaygın çözümler arasında stabilize edilmiş ağırlıklar, seçilen bir yüzdede ağırlık kırpma veya hedeflenen nedensel karşıtlığı değiştirme (örneğin, tüm tedavi edilenleri tüm tedavi edilmeyenlere karşılaştırmaktan daha mütevazı bir karşıtlığa kaydırma) yer alır.
ML-MSM'ler zamanla değişen tedavileri işleyebilir mi?
Evet — bu onların temel güçlü yönlerinden biridir. MSM çerçevesi, özellikle zamanla değişen karıştırıcılarla zamanla değişen tedaviler için tasarlanmıştır. Her dönemdeki zaman-spesifik eğilim skorlarının ML tahmini, dönemler boyunca çarpımların ürünleri olarak oluşturulan ağırlıklarla doğal bir uzantıdır.
Pozitiflik her zaman test edilebilir mi?
Kısmi tanılamalar mevcuttur: ML-tahmin edilen eğilim skorlarının 0 veya 1'e yaklaşıp yaklaşmadığını veya belirli kovaryat bölgelerinde tedavi edilen veya edilmeyen birimlerin olup olmadığını kontrol edebilirsiniz. Ancak, pozitiflik tek başına verilerden kanıtlanamaz — aynı zamanda nedensel soruya ve seçtiğiniz hedef popülasyona da bağlıdır.
Kaynaklar
- Robins, J. M., Hernan, M. A., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550-560. DOI: 10.1097/00001648-200009000-00011 ↗
- Luedtke, A. R., & van der Laan, M. J. (2016). Statistical inference for the mean outcome under a possibly non-unique optimal treatment strategy. Annals of Statistics, 44(2), 713-742. DOI: 10.1214/15-AOS1384 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Machine Learning-Augmented Marginal Structural Model with Flexible Nuisance Estimation. ScholarGate. https://scholargate.app/tr/causal-inference/machine-learning-augmented-marginal-structural-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çift Sağlam Tahmin (AIPW)Nedensel çıkarım↔ karşılaştır
- Ters Olasılıkla Tedavi Ağırlıklandırma (IPW / IPTW)Nedensel çıkarım↔ karşılaştır
- Makine Öğrenmesi Destekli Çift Sağlam Tahmin (ML-DR)Nedensel çıkarım↔ karşılaştır
- Marjinal Yapısal Model (MSM)Nedensel çıkarım↔ karşılaştır
- Mülkiyet Puanı Ağırlıklandırma (PSW / IPW)Nedensel çıkarım↔ karşılaştır