NU.学习:跨部门的非参数和无监督学习观测数据
特别是当横截面数据为观察数据时,治疗选择的影响通过使用非参数和非监督方法,可以最好地揭示偏差和混杂“设计”给定数据的分析。。。而不是收集“设计数据”。具体来说,最能量化潜在因果关系的“效应大小分布”数字y结果变量与二进制t处理或持续电子曝光变量需要由相对匹配的区块组成具有最相似X混淆特征的实验单元(例如患者)。由于我们的NU学习方法将通过在混淆X空间,学习的隐式统计模型是单向方差分析。在效应大小的区块测量是指当治疗选择为当e-Exposure变量为数字时,二进制或其他[b]本地等级相关(LRC)有两个以上的级别(希望很多)。仪器变量(IV)方法也是以使BLOCKS内的本地平均y结果(LAO)也有贡献假设X-Covariates影响治疗时效应大小推断的信息选择或暴露水平,但对y结果没有直接影响。最后,a“Most-Like-Me”函数提供效应大小分布的直方图,以帮助医生-患者(或研究者-社会)就异质性结果进行沟通。Obenchain和Young(2013)<doi:10.1080/15598608.2013.772821>; Obenchain、Young和Krstic(2019) <doi:10.1016/j.yrtph.2019.104418>.
文档:
下载内容:
链接:
请使用规范形式https://CRAN.R-project.org/package=NU.Learning链接到此页面。