Keskeiset käsitteet
본 연구는 널리 사용되는 K-평균 군집화 알고리즘을 활용하여 실험군 간 이질적 치료 효과의 잠재적 하위 집단 구조를 발견하는 새로운 방법론을 제안한다.
Tiivistelmä
본 연구는 실험군 간 이질적 치료 효과를 분석하기 위해 K-평균 군집화 기법을 활용하는 새로운 접근법을 제안한다. 기존의 연구들은 주로 감독 학습 방법론에 초점을 맞추었지만, 본 연구에서는 비감독 학습 관점에서 접근한다.
연구진은 잠재적 결과 회귀 함수로 구성된 조건부 반사실적 평균 벡터를 군집화의 대상으로 정의한다. 이는 실험군 간 반응의 유사성을 포착할 수 있다. 그러나 이 변수는 알려지지 않은 함수이므로 표준 군집화 이론을 직접 적용할 수 없다.
연구진은 두 가지 추정량을 제안한다. 첫째, 플러그인 추정량은 단순하고 구현이 쉽지만 일반적으로 √n 일치성을 보장하지 않는다. 둘째, 반모수적 효율 이론과 이중 기계 학습을 활용한 편향 수정 추정량은 약한 비모수 조건 하에서 빠른 √n 수렴 속도와 점근 정규성을 달성한다.
제안된 방법론은 다중 실험군 연구에 특히 유용하다. 또한 부분적으로 관측된 결과나 알려지지 않은 함수와 같은 일반적인 의사 결과 변수에 대한 군집화로 확장될 수 있다. 시뮬레이션과 청소년 약물 남용 치료 프로그램 사례 연구를 통해 제안 방법의 유용성을 입증한다.
Tilastot
실험군 간 평균 치료 효과 차이는 0이다.
각 실험군의 잠재적 결과 회귀 함수 추정치의 L∞ 노름은 B 미만이다.
각 실험군의 잠재적 결과 회귀 함수 추정치와 진짜 함수 간 L1 노름 차이는 oP(1)이다.
Lainaukset
"실험군 간 치료 효과의 이질성을 이해하기 위해서는 조건부 평균 치료 효과(CATE)를 추정하는 것이 중요하다."
"표준 군집화 이론은 알려지지 않은 잠재적 결과 회귀 함수를 대상으로 하는 본 문제에 직접 적용할 수 없다."
"제안된 방법론은 다중 실험군 연구에 특히 유용하며, 부분적으로 관측된 결과나 알려지지 않은 함수와 같은 일반적인 의사 결과 변수에 대한 군집화로 확장될 수 있다."