[论文解读] Estimating Individualized Decision Rules with Tail Controls

Zhengling Qi, Jong‐Shi Pang+1 more|arXiv (Cornell University)|Mar 11, 2019

Advanced Causal Inference Techniques参考文献 59被引用 5

一句话总结

本文提出了一种稳健准则，用于估计个体化决策规则（IDRs），该准则通过受条件风险价值（CVaR）启发的方法，优化在分布扰动下的最坏情况期望结果。该方法在保持高期望结果的同时，提升了尾部分布的风险控制能力，并采用非凸优化算法，同时提供了关于一致性和误差界理论保证。

ABSTRACT

With the emergence of precision medicine, estimating optimal individualized decision rules (IDRs) has attracted tremendous attention in many scientific areas. Most existing literature has focused on finding optimal IDRs that can maximize the expected outcome for each individual. Motivated by complex individualized decision making procedures and popular conditional value at risk (CVaR) measures, we propose a new robust criterion to estimate optimal IDRs in order to control the average lower tail of the subjects' outcomes. In addition to improving the individualized expected outcome, our proposed criterion takes risks into consideration, and thus the resulting IDRs can prevent adverse events. The optimal IDR under our criterion can be interpreted as the decision rule that maximizes the ``worst-case scenario of the individualized outcome when the underlying distribution is perturbed within a constrained set. An efficient non-convex optimization algorithm is proposed with convergence guarantees. We investigate theoretical properties for our estimated optimal IDRs under the proposed criterion such as consistency and finite sample error bounds. Simulation studies and a real data application are used to further demonstrate the robust performance of our method.

研究动机与目标

• 解决现有IDR估计方法仅关注最大化期望结果而忽视风险的局限性。
• 开发一种控制个体结果分布下尾部分布的准则，从而在精准医学中预防不良事件。
• 将最优IDR形式化为在受限集合内分布扰动下最大化最坏情况结果的决策规则。
• 提供理论基础，包括估计IDR的一致性和有限样本误差界。
• 通过模拟和真实数据应用，展示该方法的稳健性与实际应用价值。

提出的方法

• 提出一种基于条件风险价值（CVaR）的新稳健准则，用于估计优先考虑结果分布下尾部最坏表现的IDR。
• 将最优IDR定义为在Kullback-Leibler散度约束集合内最坏分布下期望结果最大的决策规则。
• 开发一种高效的非凸优化算法，并具备收敛性保证，用于在所提准则下估计决策规则。
• 采用一种稳健估计框架，考虑潜在结果分布的不确定性，从而在实际应用中提升可靠性。
• 使用基于CVaR准则的稳健损失函数进行经验风险最小化，以学习个体化决策规则。
• 在正则性条件下，建立一致性与有限样本误差界等理论性质。

实验结果

研究问题

• RQ1 如何设计个体化决策规则，以不仅提升平均结果，还能改善结果分布下尾部的最坏情况结果？
• RQ2 基于CVaR的分布鲁棒优化准则用于IDR估计的理论依据是什么？
• RQ3 与标准期望结果最大化相比，该方法在真实世界医疗决策中是否能实现更好的风险控制？
• RQ4 在所提稳健准则下，估计IDR的有限样本性能与一致性性质如何？
• RQ5 非凸优化算法如何确保在高维设置下的收敛性与实际适用性？

主要发现

• 所提方法生成的个体化决策规则对分布不确定性具有鲁棒性，并显著降低了结果分布下尾部不良结果的风险。
• 理论分析证实，在温和正则性条件下，估计的IDR具有一致性并达到有限样本误差界。
• 模拟研究显示，该方法在最坏情况表现方面优于标准期望结果最大化方法，尤其在分布偏移情况下表现更优。
• 真实数据应用表明，所提IDR估计方法相比基线方法能产生更可靠、更安全的治疗建议。
• 非凸优化算法收敛至有意义解，且在有限样本中表现出稳定性和可扩展性的实证证据。
• 该方法有效平衡了期望结果最大化与尾部分布风险控制，为精准医学提供实用框架。