一种用于估计因果偏离效应的元学习方法，以评估时变调节作用

《Biometrics》：A meta-learning method for estimation of causal excursion effects to assess time-varying moderation

微随机化试验中，为解决复杂移动健康系统随机化概率不确定、观察数据缺失及高维历史数据线性建模困难等问题，提出基于元学习的DR-WCLS双重稳健推断方法，通过理论分析和仿真验证其渐近效率优势，并以美国医学居民多机构队列数据为例展示实际应用价值。

　　

摘要

可穿戴技术和智能手机提供的健康干预措施的进步极大地提高了移动健康（mHealth）干预的可及性。微随机试验（MRTs）旨在评估mHealth干预的有效性，并引入了一种称为“因果偏离效应”（causal excursion effects）的新型因果估计量。这些估计量能够评估干预效果如何随时间变化，以及它们如何受到个体特征或环境的影响。现有的分析因果偏离效应的方法假设随机化概率是已知的、观测数据是完整的，并且高维观测历史具有预先指定的特征。然而，在复杂的移动系统中，这些假设往往不成立：随机化概率可能不确定、观测数据可能不完整，而且mHealth数据的粒度使得线性建模变得困难。为了解决这个问题，我们提出了一种灵活且双重稳健的推断程序，称为“DR-WCLS”，用于从元学习者的角度估计因果偏离效应。我们展示了所提出估计量的双向渐近性质，并通过理论和广泛的模拟将其与现有方法进行了比较。结果表明，即使在观测数据缺失或治疗随机化概率不确定的情况下，该方法也能提供一致且更高效的估计结果。最后，通过分析美国一所多机构医疗机构的一年级医学生的数据，证明了所提出方法的实际效用。