M-learner:A Flexible And Powerful Framework To Study Heterogeneous Treatment Effect In Mediation Model

要約

不均一な間接的および総治療効果を推定し、調停フレームワーク内で関連するサブグループを識別するためのM-Learnerと呼ばれる新しい方法を提案します。
この手順は、4つの重要なステップで構成されています。
まず、個人レベルの条件付き平均間接/総治療効果を計算し、ペアワイズの違いに基づいて距離マトリックスを構築します。
第三に、TSNEを適用して、このマトリックスを低次元のユークリッド空間に投影し、その後K-meansクラスタリングを行い、サブグループ構造を識別します。
最後に、しきい値ベースの手順を使用してクラスターを調整して改良し、最適な構成を決定します。
私たちの知る限り、これは調停の存在下で治療効果の不均一性を捉えるために特別に設計された最初のアプローチです。
実験結果は、提案されたフレームワークの堅牢性と有効性を検証します。
現実世界のジョブへのアプリケーションIIデータセットは、メソッドの幅広い適応性と潜在的な適用性を強調しています。コードはhttps：//anonymous.4open.science/r/m-learner-c4bbで入手できます。

要約(オリジナル)

We propose a novel method, termed the M-learner, for estimating heterogeneous indirect and total treatment effects and identifying relevant subgroups within a mediation framework. The procedure comprises four key steps. First, we compute individual-level conditional average indirect/total treatment effect Second, we construct a distance matrix based on pairwise differences. Third, we apply tSNE to project this matrix into a low-dimensional Euclidean space, followed by K-means clustering to identify subgroup structures. Finally, we calibrate and refine the clusters using a threshold-based procedure to determine the optimal configuration. To the best of our knowledge, this is the first approach specifically designed to capture treatment effect heterogeneity in the presence of mediation. Experimental results validate the robustness and effectiveness of the proposed framework. Application to the real-world Jobs II dataset highlights the broad adaptability and potential applicability of our method.Code is available at https: //anonymous.4open.science/r/M-learner-C4BB.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google