Causal interaction trees: Finding subgroups with heterogeneous treatment effects in observational data

We introduce causal interaction tree (CIT) algorithms for finding subgroups of individuals with heterogeneous treatment effects in observational data. The CIT algorithms are extensions of the classification and regression tree algorithm that use splitting criteria based on subgroup‐specific treatmen...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Biometrics Ročník 78; číslo 2; s. 624 - 635
Hlavní autoři:	Yang, Jiabei, Dahabreh, Issa J., Steingrimsson, Jon A.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	United States Blackwell Publishing Ltd 01.06.2022
Témata:	Algorithms Asymptotic properties catheters causal inference Criteria data analysis doubly robust estimators Estimators heart heterogeneity of treatment effects machine learning observational studies probability recursive partitioning Regression analysis Splitting Statistical analysis Subgroups trees causal inference machine learning heterogeneity of treatment effects doubly robust estimators recursive partitioning
ISSN:	0006-341X, 1541-0420, 1541-0420
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!