प्रभावितों के बीच प्रभाव

सारांश हम एक नवीन कारणीय अनुमान का प्रस्ताव करते हैं जो यह स्पष्ट करता है कि पूर्व के उपचार (जैसे, उपचार की शुरुआत) की प्रतिक्रिया कैसे बाद के उपचार (जैसे, उपचार का निलंबन) के प्रभाव को संशोधित करती है, इस प्रकार यह सीखते हैं कि (अ)प्रभावितों के बीच प्रभाव हैं या नहीं। विशेष रूप से, हम एक कार्यात्मक सीमांत संरचनात्मक मॉडल पर विचार करते हैं जो इस बात का सारांश है कि बाद के उपचार का औसत प्रभाव पूर्व के उपचार के (अनुमानित) सशर्त औसत प्रभाव के एक फ़ंक्शन के रूप में कैसे भिन्न होता है। हम अनुमान को डेटा-अनुकूलन causarात्मक पैरामीटर के रूप में परिभाषित करते हैं, जिससे मशीन लर्निंग का उपयोग करते हुए सशर्त औसत उपचार प्रभाव का अनुमान लगाने की अनुमति मिलती है बिना मजबूत स्मूदनेस धारणाओं के। हम दिखाते हैं कि कैसे एक अनुक्रमिक यादृच्छिक डिजाइन का उपयोग इस कारणीय अनुमान को पहचानने के लिए किया जा सकता है, और हम परिणामी सांख्यिकीय अनुमान के लिए एक लक्षित अधिकतम संभावना अनुमापक का वर्णन करते हैं, प्रभाव वक्र-आधारित अनुमान के साथ। हम अनुक्रमिक अध्ययन प्रस्तुत करते हैं जो विभिन्न सीमित-नमूना परिदृश्यों के तहत इस अनुमापक के प्रदर्शन का मूल्यांकन करते हैं। हर जगह, हम "एचआईवी देखभाल में प्रतिधारण के टूटने को रोकने और उपचार करने के लिए अनुकूलन रणनीतियाँ" परीक्षण (NCT02338739) का एक स्पष्ट उदाहरण के रूप में उपयोग करते हैं, दिखाते हुए कि एचआईवी देखभाल अनुपालन के लिए सशर्त नकद स्थानांतरण का निलंबन उन लोगों के बीच सबसे हानिकारक था जिन्होंने प्रारंभिक रूप से उनसे लाभ में वृद्धि की।