ترجمه فارسی مقاله یک رویکرد درختان طبقه‌بندی بیزی برای تغییر اثر درمان با عدم انطباق

چکیده

Estimating varying treatment effects in randomized trials with noncompliance is inherently challenging since variation comes from two separate sources: variation in the impact itself and variation in the compliance rate. In this setting, existing flexible machine learning methods are highly sensitive to the weak instruments problem, in which the compliance rate is (locally) close to zero. Our main methodological contribution is to present a Bayesian Causal Forest model for binary response variables in scenarios with noncompliance. By repeatedly imputing individuals’ compliance types, we can flexibly estimate heterogeneous treatment effects among compliers. Simulation studies demonstrate the usefulness of our approach when compliance and treatment effects are heterogeneous. We apply the method to detect and analyze heterogeneity in the treatment effects in the Illinois Workplace Wellness Study, which not only features heterogeneous and one-sided compliance but also several binary outcomes of interest. We demonstrate the methodology on three outcomes one year after intervention. We confirm a null effect on the presence of a chronic condition, discover meaningful heterogeneity impact of the intervention on metabolic parameters though the average effect is null in classical partial effect estimates, and find substantial heterogeneity in individuals’ perception of management prioritization of health and safety.

چکیده به فارسی (ترجمه ماشینی)

تخمین اثرات متغیر درمانی در کارآزمایی های تصادفی با عدم رعایت ذاتاً چالش برانگیز است زیرا تنوع از دو منبع جداگانه حاصل می شود: تغییر در خود تأثیر و تغییر در میزان انطباق.در این تنظیم ، روشهای یادگیری انعطاف پذیر موجود در مورد مشکل سازهای ضعیف بسیار حساس هستند ، که در آن میزان انطباق (محلی) نزدیک به صفر است.سهم اصلی روش شناختی ما ارائه یک مدل جنگل علیت بیزی برای متغیرهای پاسخ باینری در سناریوها با عدم رعایت است.با تحمیل مکرر انواع انطباق افراد ، می توانیم به طور انعطاف پذیر اثرات درمانی ناهمگن را در بین سازندگان تخمین بزنیم.مطالعات شبیه سازی سودمندی رویکرد ما را نشان می دهد وقتی که انطباق و اثرات درمانی ناهمگن است.ما از روش برای تشخیص و تجزیه و تحلیل ناهمگونی در اثرات درمانی در مطالعه سلامتی در محل کار ایلینویز استفاده می کنیم ، که نه تنها دارای انطباق ناهمگن و یک طرفه بلکه چندین نتیجه باینری مورد علاقه است.ما یک سال پس از مداخله روش را در سه نتیجه نشان می دهیم.ما تأثیر تهی در حضور یک وضعیت مزمن تأیید می کنیم ، تأثیر ناهمگونی معنی دار مداخله بر پارامترهای متابولیکی را کشف می کنیم ، هرچند که اثر متوسط ​​در برآورد اثر جزئی کلاسیک تهی است ، و ناهمگونی قابل توجهی در درک افراد از اولویت بندی مدیریت سلامت و ایمنی می یابدبشر