跳到主要内容
返回时间线
arXiv来源发表:

把JTPA培训效果推广到全国目标人群:TRACE把置信区间收窄60%,并指出偏差来自基线还是随访流失

核心概要

随机试验结果推广到更广目标人群时,若试验样本与目标人群错位,推广估计会失真。TRACE把有效推广估计量的渐近方差拆成基线错位与随访删失两条通道,用树搜索定位代表性不足的亚组并归因。在把JTPA研究推广到美国符合条件成年人的案例中,限定到可可靠推广的亚组后,精化估计量的95%置信区间收窄60%。

AI-generated editorial illustration: Characterizing Underrepresentation when Generalizing Causal Survival Estimates

深度剖析

一项针对生存结局的推广诊断现在能同时处理两种代表性不足:亚组的协变量组合在试验中相对目标人群稀少,以及随访中差异性删失逐步侵蚀该亚组。 此前的诊断要么把这两种机制混为一谈,要么只适用于基线情形,因此使用JTPA结果的政策制定者无法判断试验能可靠推广到哪些目标亚组、其余亚组为何失败、随访中何时损失精度。 在把JTPA研究推广到美国JTPA合格成年人的案例中,限定到可可靠推广的亚组后,24个月就业效应的95%置信区间从原始目标人群平均处理效应的宽度收窄60%,两个区间对应不同估计量。

方法把方差膨胀定位到具体亚组和具体随访区间,并判断每个亚组的问题出在基线还是删失。 做法是把有效推广估计量的渐近方差分解为两项,只有采样权重项和删失权重项会随代表性减弱而发散,较大的一项即责任通道。 在合成基准中,TRACE找回植入的代表性不足区域,把每个区域归因到其机制,并定位驱动时变代表性不足的随访窗口;在JTPA案例中,删失干预只在少量试验人-区间上激活,说明基线错位是主要来源。

搜索把内层的删失干预选择与外层的基线修剪分开求解,使联合优化在树集成上可行。 内层对每个个体把删失干预问题化为关于预算的仿射下包络,可用参数化动态规划一次预计算,之后每次查询只需走包络。 外层用近最优树的Rashomon集成按全局方差目标评估分裂,最终输出可审计的四区域划分:可靠推广、删失耗尽、基线不足、双重不足。

启示与展望

演示范围是离散随访区间下的生存结局推广,包括合成基准和一个把JTPA研究推广到CPS所代表的美国JTPA合格成年人的案例;方法输出的是诊断分区,不调整点估计。

TRACE是诊断而非校正,不调整点估计;修剪后的估计量改变了推断问题,而非恢复原始目标人群平均处理效应,且该估计量的点估计与置信区间以选定的修剪为条件,未计入选择带来的不确定性。当两种机制在同一批个体上都很大时,归因如何分配取决于目标函数。