买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山西医科大学

摘要：本发明为一种基于groupLASSO的高维广义倾向性评分方法，属于生物技术和数据分析技术领域。本发明首先借用GLiDeR的思想构建结局自适应groupLASSO实现变量选择；随后使用npCBGPS方法计算均衡权重，并以最小DWC为准则确定调整参数的最优值，实现因果推断变量选择；最后使用IPW方法估计因果参数。本发明提供了一个因果剂量‑反应估计器，称之为OAGL‑GPS方法。模拟分析表明，OAGL‑GPS方法整体表现与理想方法相近，在结局模型为线性时，一方面像GLiDeR一样可正确识别出混杂和预后协变量，另一方面还保留了npCBGPS对GPS模型误设稳健的统计学性质。

主权项：1.一种基于groupLASSO的高维广义倾向性评分方法，其特征在于，包括如下步骤：1基于GLiDeR构建新的目标函数实现降维首先构建结局模型和暴露模型，两个模型对应的损失函数均为残差平方和，以二者的线性组合作为新的损失函数并引入修正的自适应groupLASSO惩罚函数实现因果推断的变量选择；结局模型为：EY|T，X＝α1X1+…+αPXP+αP+1+αP+2T1；暴露模型为：ET|X＝γ1X1+…+γPXP+γP+12；目标函数为： 其中，β＝α，γ是P+3维的向量：β1＝α1，γ1、...、βP＝αP，γP、βP+1＝αP+1、βP+2＝γP+1、βP+3＝αP+2；Wk表示惩罚权重，当K＞P时，Wk＝0，当K≤P时，其中Y＞1，指结局全模型中协变量Xk之前的系数，这时Wk的大小与协变量Xk跟结局变量间的条件相关性大小成反比；λ＞0是调整参数，设置一组满足和λnγ2-1→∞两个条件的λ作为备选值，并据此筛选出一组候选协变量集合；2结合npCBGPS构建双重加权相关系数选择最优λIPW方法获得DRF的无偏估计依赖于协变量分布在不同暴露水平间的均衡程度，暴露因素为连续型变量时，使用暴露变量与协变量之间的加权相关系数作为均衡性评价指标；基于此，使用最小化双重加权相关系数准则选择最优λ： 其中，是调整参数取值为λ时由npCBGPS估计的均衡权重；3使用IPW法估计DRF基于最优λ筛选出的协变量，使用npCBGPS方法估计均衡权垂；在此基础上，使用IPW方法通过构建Y对T的加权线性或非线性如样条回归、局部线性回归等回归模型得到连续型暴露因素对结局变量的剂量-反应函数。

全文数据：

权利要求：

百度查询： 山西医科大学 基于group LASSO的高维广义倾向性评分方法