[论文解读] Optimal design of observational studies: overview and synthesis

Juha Karvanen, Jarno Vanhatalo+3 more|arXiv (Cornell University)|Sep 27, 2016

Statistical Methods and Inference被引用 4

一句话总结

本文提出了一种统一的贝叶斯决策理论框架，用于最优观测研究设计，将设计视为观测过程上的概率测度，以最大化期望效用。该框架通过在预算约束下优化单位选择、测量时间和变量收集，实现了跨多个领域的成本效益高、精度高的研究设计。

ABSTRACT

We review typical design problems encountered in the planning of observational studies and propose a unifying framework that allows us to use the same concepts and notation for different problems. In the framework, the design is defined as a probability measure in the space of observational processes that determine whether the value of a variable is observed for a specific unit at the given time. The optimal design is then defined, according to Bayesian decision theory, to be the one that maximizes the expected utility related to the design. We present examples on the use of the framework and discuss methods for deriving optimal or approximately optimal designs.

研究动机与目标

• 解决在流行病学、环境科学和社会研究等不同领域中缺乏统一的观测研究设计框架的问题。
• 克服传统观测研究设计中常依赖于临时性或非优化抽样策略所导致的低效问题。
• 为测量成本高昂或资源有限的研究提供系统化方法，以提高精度并降低成本。
• 将决策理论和信息价值原则整合到观测研究规划中，超越实验设计范式。
• 通过在不确定性下形式化效用最大化，使研究人员能够做出数据驱动的、成本效益最优的设计决策。

提出的方法

• 将观测研究设计定义为观测过程空间上的概率测度，明确指定哪些单位、变量和时间点被观测。
• 应用贝叶斯决策理论，将最优设计定义为最大化期望效用的设计，其中效用来源于统计精度或决策价值。
• 利用先验分布和基于模型的推断来量化不确定性并指导设计决策，支持分层建模和模型平均。
• 通过针对特定目标（如D-最优性、A-最优性或复合准则）定制的效用函数来制定设计优化问题，具备处理多项目标的灵活性。
• 将最优实验设计中的计算方法（如序列优化和数值优化）适配至观测场景，适用于离散且不可重复的设计。
• 通过分层先验和贝叶斯模型平均处理模型不确定性，即使分析模型与设计模型略有差异，也能确保稳健性。

实验结果

研究问题

• RQ1 如何构建一个统一的理论基础，将不同观测研究设计问题（如单位选择、测量时机和变量纳入）统一处理？
• RQ2 所提出的贝叶斯决策理论方法在成本效益和精度方面，相较于传统非优化观测设计有何改进？
• RQ3 当单一研究中存在多个研究目标（如估计多个回归参数）时，如何构建和比较效用函数？
• RQ4 在实施最优观测设计时，尤其是在处理复杂现实约束的情况下，存在哪些计算和实际挑战？
• RQ5 该框架在多大程度上可扩展至同时包含观测和实验成分的混合研究？

主要发现

• 所提出的框架通过将设计建模为观测过程上的概率测度，为观测研究设计提供了连贯且统一的方法。
• 与传统非优化设计相比，该框架推导出的最优设计在昂贵测量的研究中可实现显著的成本节约和精度提升。
• 该框架可通过分层先验和贝叶斯模型平均，系统性地整合先验知识和模型不确定性。
• 最优实验设计中的计算方法可被适配至观测场景，尽管在可扩展性和处理非预期缺失数据方面仍存在挑战。
• 通过多准则决策方法，该框架支持多项目标，能够可视化非劣设计解的集合。
• 实际应用示例（如基因组学中的子样本选择和纵向测量时机）表明，在研究规划阶段应用ODOS可带来显著的效率提升。