一种融合结构学习与机器学习的因果效应估计方法与流程
本发明属于计算机软件、数据处理、因果推断和校园心理健康风险评估,具体涉及一种融合结构学习与机器学习的因果效应估计方法。
背景技术:
1、校园欺凌是影响学生心理健康的重要风险因素,抑郁症状是校园心理健康监测中的重要结局指标。在实际校园健康监测、问卷调查和公共卫生监测数据中,欺凌暴露通常不能通过随机试验方式进行分配,只能基于观测性数据进行分析。此类数据中往往同时包含人口学特征、家庭结构、生活方式、网络使用、运动行为、饮食行为、既往伤害和心理相关变量等多类信息,这些变量可能分别作为混杂因素、暴露预测因素、结局预测因素、中介因素或结局下游变量存在。现有技术中,常见方法包括传统回归模型、倾向评分匹配或加权模型、机器学习风险预测模型以及通用因果森林估计模型。传统回归或相关分析能够描述欺凌暴露与抑郁症状之间的统计关联,但难以区分关联关系和因果效应;倾向评分类方法通常依赖人工预设协变量集合,当协变量角色不明确时,容易出现漏调混杂因素、误调中介变量或调整结局下游变量的问题;机器学习风险预测模型可以识别高预测贡献变量,但其目标通常是提高预测准确率,不能保证被选变量满足因果调整要求;通用因果森林或双重机器学习工具虽然能够估计异质性处理效应,但通常默认用户已经给定合适的调整变量集合,缺少针对校园心理健康观测数据的调整集自动构建机制。因此,在欺凌暴露与抑郁症状因果效应估计场景中,仍需要一种计算机实现的数据处理方法,能够在建模前根据结构因果逻辑限制候选调整空间,进一步融合结构学习和机器学习信息筛选控制变量,并在最终控制集基础上输出群体因果效应、个体异质性效应以及平衡诊断、安慰剂检验和干预优先级评价结果。
2、现有技术至少存在如下不足:
3、1.传统相关分析或多因素回归模型主要输出统计关联,难以在观测性数据中有效降低混杂偏倚,因此不适合直接解释欺凌暴露对抑郁症状的因果效应。
4、2.全变量调整或人工经验调整容易将潜在中介变量、结局下游变量或碰撞变量纳入模型,从而引入过调整偏倚或后处理偏倚。
5、3.单纯依赖机器学习特征重要性进行变量选择时,模型倾向于选择预测能力强的变量,但这些变量可能只与欺凌暴露或只与抑郁症状相关,并不一定适合作为混杂控制变量。
6、4.单独使用结构学习算法时,条件独立检验结果容易受到有限样本、变量编码和抽样波动影响,单次结构学习结果稳定性不足。
7、5.通用因果森林或双重机器学习工具通常只负责效应估计,不负责前置的变量角色识别和调整集构建,难以直接解决校园心理健康观测数据中变量角色不确定、混杂路径复杂和中介变量易误调的问题。
8、6.现有心理健康风险预测方法通常输出风险概率或分类结果,缺少平均处理效应ate、处理组平均处理效应att、对照组平均处理效应atc、条件平均处理效应cate、平衡诊断、安慰剂检验、替代估计器比较和uplift决策指标等因果解释输出。
技术实现思路
1、本发明的目的在于提供一种融合结构学习与机器学习的因果效应估计方法。该方法通过结构因果角色划分、结构学习、双目标随机森林控制集筛选以及正交化因果森林估计,实现对欺凌暴露影响抑郁症状风险的群体平均效应和个体异质性效应的计算机化估计与诊断输出。
2、为了实现上述目的,本发明的技术方案是:
3、一种融合结构学习与机器学习的因果效应估计方法,包括如下步骤:
4、s1、将校园心理健康观测数据形成校园心理健康观测数据矩阵;
5、s2、对校园心理健康观测数据矩阵进行标准化,生成标准化数据矩阵;根据标准化数据矩阵构建处理变量、结局变量和候选协变量集合;依据结构因果模型对候选协变量进行角色划分,形成初始调整空间;对初始调整空间执行冗余筛查,得到候选调整空间;
6、s3、在上,基于bootstrap自助重采样方法和pc-stable因果结构学习算法计算结构学习得分,基于双目标随机森林计算预测重要性得分,并融合所述结构学习得分和双目标随机森林得分,计算候选变量的sdrf综合得分;
7、s4、根据sdrf综合得分构建嵌套调整子集,基于bootstrap稳定性损失和基于信息保留偏好的改进一标准误规则确定最终调整集;
8、s5、在最终调整集基础上采用正交化因果森林估计欺凌暴露对抑郁症状的平均处理效应、处理组平均处理效应、对照组平均处理效应和条件平均处理效应,并输出平衡诊断、安慰剂检验、替代估计器比较、异质性分析和干预优先级评价结果。
9、作为对上述技术方案的改进,所述步骤s1中,校园心理健康观测数据包括学生健康监测数据、问卷调查数据或类似校园心理健康数据;
10、作为对上述技术方案的改进,校园心理健康观测数据矩阵将每一名学生作为一个数据记录单元,每一行对应一名学生个体,每一列对应一个变量;变量包括学生基本特征、家庭结构、网络使用、运动行为、饮食行为、伤害经历、欺凌暴露条目和抑郁症状量表条目。
11、作为对上述技术方案的改进,所述步骤s2中,将校园心理健康观测数据矩阵生成标准化数据矩阵的方法是:
12、(1)将变量中的二分类变量统一转换为0/1编码;
13、(2)将变量中的有序分类变量按照风险程度或暴露水平统一排序编码;
14、(3)将变量中的连续变量转换为数值型格式;
15、(4)识别缺失值、异常值和逻辑冲突值;
16、(5)根据变量类型执行缺失值插补或缺失样本处理;
17、将身体欺凌、言语欺凌和网络欺凌相关条目构建欺凌暴露变量;将欺凌暴露变量作为处理变量,处理变量构建规则为:
18、;
19、定义为第名学生的欺凌暴露状态。
20、将抑郁量表总分及预设阈值构建抑郁症状变量,将抑郁症状变量作为结局变量,结局变量构建规则为:
21、;
22、定义为第名学生的抑郁症状状态。
23、作为对上述技术方案的改进,所述抑郁症状变量由ces-d量表总分是否达到预设阈值生成,抑郁症状使用ces-d量表并以16分作为判定阈值;预设回忆窗口为过去的一个月,欺凌暴露定义为过去一个月自报身体欺凌、言语欺凌或网络欺凌受害。
24、作为对上述技术方案的改进,所述步骤s2中,依据结构因果模型对候选协变量集合中的变量进行角色划分,将候选协变量划分为以下五个变量子集:
25、表示混杂候选变量集合,包括同时影响欺凌暴露和抑郁症状的背景变量或行为变量;
26、表示处理预测变量集合,包括影响或预测欺凌暴露发生的变量;
27、表示结局预测变量集合,包括影响或预测抑郁症状发生的变量;
28、表示潜在中介变量集合,包括位于欺凌暴露影响抑郁症状路径中的变量;
29、表示结局下游变量集合,包括由抑郁症状或严重心理状态导致的后续表现变量;
30、将混杂候选变量集合、处理预测变量集合和结局预测变量集合合并,得到初始调整空间:
31、;
32、潜在中介变量集合和结局下游变量集合不进入初始调整空间。
33、作为对上述技术方案的改进,所述步骤s2中,在形成初始调整空间后,对初始调整空间中的候选变量执行冗余筛查,以降低候选调整空间中的多重共线性和信息冗余。所述冗余筛查判断为必经步骤,冗余变量剔除为条件执行步骤。
34、对初始调整空间中任意两个不同的候选变量和计算pearson相关系数:
35、,
36、其中,和分别表示第名学生在候选变量和候选变量上的取值,和分别表示候选变量和候选变量的样本均值;
37、预先设置待删除变量集合:
38、;
39、对初始调整空间中的候选变量对进行遍历;当候选变量和候选变量满足:时,判定所述候选变量和候选变量构成高相关候选变量对,其中,为预设的高相关冗余筛查阈值;
40、对所述高相关候选变量对,按照预设的变量保留优先级规则,综合候选变量的测量时间、因果角色、解释性、数据质量、缺失比例以及与处理变量和结局变量的关联程度,保留优先级较高的候选变量,并将优先级较低的候选变量加入待删除变量集合;
41、完成全部候选变量对的遍历后,根据所述待删除变量集合对初始调整空间进行更新,得到候选调整空间:
42、;
43、当初始调整空间中不存在满足的候选变量对时,所述待删除变量集合为空集,并令:
44、。
45、由此,无论初始调整空间中是否存在高相关候选变量对,均能够得到定义明确的候选调整空间,并将所述候选调整空间用于后续的pc-stable结构学习、双目标随机森林评分和最终调整集筛选。
46、对于满足高相关条件的候选变量对,方法按照预设的冗余变量保留规则确定保留变量。首先比较两个候选变量的因果角色,当其中仅一个变量属于混杂候选变量集合时,保留该变量;当两个候选变量的因果角色相同或无法依据因果角色进行区分时,比较两个候选变量的缺失比例,并保留缺失比例较低的变量;当缺失比例相同时,分别计算两个候选变量与处理变量t 和结局变量y的pearson相关系数,以两项pearson相关系数中的较小值作为共同关联程度,并保留共同关联程度较高的变量。若经上述规则仍无法区分,则按照预设的变量排列顺序保留排序靠前的变量。未被保留的候选变量加入待删除变量集合。
47、作为对上述技术方案的改进,所述步骤s3中,基于bootstrap和pc-stable计算结构学习得分的步骤包括:
48、对变量集合执行次bootstrap重采样,其中,表示结构学习阶段的bootstrap重采样总次数;对于第次bootstrap重采样数据,运行pc-stable结构学习算法,得到结构图,其中;
49、将处理变量和结局变量在结构图中的局部邻接变量集合分别记为:和;对于任一候选变量,分别计算其与处理变量和结局变量的邻接频率:
50、,
51、;
52、其中,为指示函数;定义第个候选变量的结构学习得分为:
53、。
54、作为对上述技术方案的改进,所述步骤s3中,融合结构学习得分和双目标随机森林得分,计算候选变量的综合sdrf分数的步骤是:
55、首先分别训练两个随机森林模型;
56、第一随机森林模型以欺凌暴露变量为预测目标,以候选调整空间中的变量为输入,用于计算各候选变量对欺凌暴露的预测重要性;
57、第二随机森林模型以抑郁症状变量为预测目标,以候选调整空间中的变量为输入,用于计算各候选变量对抑郁症状的预测重要性;
58、对和采用相同的非负归一化方法,得到非负的标准化预测重要性:;
59、定义第个候选变量的双目标随机森林得分为:;
60、然后融合结构学习得分和双目标随机森林得分,生成sdrf综合得分:
61、对和分别进行标准化,得到标准化后的结构学习得分和随机森林得分;计算综合sdrf得分为;或者采用加权形式计算综合sdrf得分为;其中,分别表示结构学习得分、随机森林得分的权重。
62、按照从高到低对候选协变量排序,得到候选协变量序列:;其中为经筛查后的候选协变量数量,表示sdrf综合得分最高的变量。
63、作为对上述技术方案的改进,。
64、作为对上述技术方案的改进,所述步骤s4中,基于嵌套子集、bootstrap稳定性损失和基于信息保留偏好的改进一标准误规则确定最终调整集的步骤是:
65、首先构建嵌套调整子集并计算稳定性损失:
66、根据sdrf排序结果构建嵌套调整子集:;其中,表示允许进入嵌套评估的最大变量数;
67、对于每一个候选子集,执行次bootstrap重采样,第次重采样数据中采用causalforestdml计算平均处理效应,得到:;其中,表示第个候选子集在第次bootstrap重采样下得到的平均处理效应;计算第个候选子集的稳定性损失:;确定稳定性损失最小的子集大小:;
68、根据所述次重采样结果计算的标准误,记为;采用基于信息保留偏好的改进一标准误规则,确定候选子集大小集合:
69、
70、在所述候选子集大小集合中选择最大子集大小:;
71、最终调整集为:。
72、作为对上述技术方案的改进,所述步骤s5中, 在最终调整集上执行正交化因果森林估计的方法是:
73、对于第名学生,提取其候选协变量取值向量中与最终调整集对应的分量,得到最终调整变量取值向量:。构建处理模型和结局模型:,
74、.通过交叉拟合获得处理残差和结局残差:,;
75、随后,将、和输入因果森林模型,估计条件平均处理效应(cate),并获得每名学生对应的cate预测值:
76、;
77、其中,表示学生在欺凌暴露状态下的潜在抑郁症状结局,表示学生在未受欺凌暴露状态下的潜在抑郁症状结局,表示具有协变量特征的学生在欺凌暴露与未暴露之间的抑郁症状风险差异;
78、在个体cate估计结果基础上,进一步计算:
79、;
80、;
81、;
82、其中,ate表示总体平均处理效应,att表示实际受到欺凌暴露学生中的平均处理效应,atc表示未受到欺凌暴露学生中的平均处理效应。
83、作为对上述技术方案的改进,所述步骤s5中,输出诊断指标和解释结果至少包括:
84、1、因果效应估计表:输出ate、att、atc、标准误、置信区间和显著性结果;
85、2、个体层面cate估计文件:输出每名学生对应的条件平均处理效应预测值,用于识别欺凌暴露潜在影响较大或潜在干预收益较高的人群;
86、3、协变量平衡诊断:计算调整前后标准化均差smd、平均绝对smd和最大绝对smd;
87、4、有效样本量诊断:基于稳定化权重计算有效样本量ess,用于评价调整后样本信息损失;
88、5、安慰剂检验:随机置换处理变量,重复估计ate,形成零效应分布,并比较真实ate与安慰剂分布的位置关系;
89、6、替代估计器比较:在同一最终调整集下比较增强逆概率加权估计器(aipw)、双重机器学习估计器(dml)、双重稳健学习器(dr-learner)、集成双重稳健估计器(ensemble-dr)和causalforestdml等估计器的结果;
90、7、异质性分析:按性别、年级、家庭结构、网络使用、运动行为、饮食行为等变量汇总cate,输出分层效应图表;
91、8、干预优先级评价:根据对学生排序,计算uplift曲线下面积auuc、qini指标、用于评价排名前比例人群干预收益的top-gain指标,以及用于衡量按照模型推荐方案实施干预时预期收益的policyvalue指标。
92、本发明以学生健康监测数据、问卷调查数据或类似校园心理健康数据为输入,将每一名学生作为一个数据记录单元,将欺凌暴露、抑郁症状及相关背景、行为和健康变量转化为标准化分析数据;随后依据结构因果模型对变量进行角色划分,排除潜在中介变量和结局下游变量,形成候选调整空间;再通过融合pc-stable结构学习邻接频率和双目标随机森林变量重要性,计算候选变量的综合sdrf分数,并通过嵌套子集、bootstrap稳定性损失和基于信息保留偏好的改进一标准误规则确定最终调整集;最后在最终调整集基础上采用正交化因果森林估计欺凌暴露对抑郁症状的平均处理效应、处理组平均处理效应、对照组平均处理效应和条件平均处理效应,并获得每名学生对应的cate预测值,并输出平衡诊断、安慰剂检验、替代估计器比较、异质性分析和干预优先级评价结果。
93、本发明没有直接将全部变量输入因果森林,也没有仅依据机器学习特征重要性选择协变量,而是在结构因果角色约束下,将结构学习的局部邻接信息与机器学习的双目标预测信息相结合,从而自动筛选更适合作为因果调整变量的控制集。本发明技术路线明确包含“结构因果角色划分、sdrf控制集选择、正交化causalforestdml效应估计、smd/安慰剂检验/异质性/uplift指标评价”等步骤。
94、本发明能够解决观测性校园心理健康数据中欺凌暴露因果效应难以稳健估计的问题,原因如下:
95、第一,结构因果角色划分模块在机器学习建模前,将候选协变量划分为混杂候选变量集合、处理预测变量集合、结局预测变量集合、潜在中介变量集合和结局下游变量集合;将混杂候选变量集合、处理预测变量集合和结局预测变量集合合并形成初始调整空间,并排除潜在中介变量集合和结局下游变量集合;随后通过冗余筛查得到候选调整空间,从而降低潜在中介变量、结局下游变量和高相关冗余变量被误纳入后续调整集的风险。
96、第二,bootstrap和pc-stable结构学习模块通过重复抽样计算变量与处理变量、结局变量的邻接频率,避免依赖单次结构学习结果,提高了结构证据的稳定性;
97、第三,双目标随机森林模块分别从欺凌暴露预测和抑郁症状预测两个方向评价变量重要性,并采用几何平均形式抑制单目标变量,使筛选结果更符合混杂控制中“同时关联处理和结局”的要求;
98、第四,sdrf综合评分将结构相关性和预测相关性融合,克服单纯结构学习有限样本不稳定和单纯机器学习偏向预测准确率的不足;
99、第五,嵌套子集和基于信息保留偏好的改进一标准误规则,使最终调整集不再依赖固定top-阈值,而是根据不同候选子集下因果效应估计的bootstrap稳定性,在稳定性差异处于一标准误范围内时选择保留信息较多的候选子集;
100、第六,正交化因果森林通过处理模型和结局模型残差化,降低干扰参数模型估计误差对因果效应估计的影响,同时能够输出个体层面的cate预测值,从而支持异质性识别和目标干预排序。
101、与现有技术相比,本发明至少具有如下有益效果:
102、1.本发明的融合结构学习与机器学习的因果效应估计方法,提高观测性校园心理健康数据中因果效应估计的可靠性;
103、本发明不是直接对欺凌暴露与抑郁症状进行相关分析或普通回归分析,而是先依据结构因果模型对变量角色进行划分,将候选变量区分为混杂候选变量、处理预测变量、结局预测变量、潜在中介变量和结局下游变量,并在候选调整空间中排除潜在中介变量和结局下游变量;由此,本发明能够在建模前降低过调整偏倚和后处理偏倚风险,使后续因果效应估计更符合观测性数据中的因果分析要求;在具体实施例中,本发明以欺凌暴露作为处理变量,以抑郁症状作为结局变量,先依据变量测量时序和因果角色形成初始调整空间,再通过冗余筛查得到候选调整空间,随后通过sdrf程序筛选最终调整集。随后使用正交化causalforestdml估计因果效应;
104、2.兼顾结构因果信息和机器学习预测信息,提高调整集筛选的稳定性与可解释性;
105、现有方法中,单纯依赖专家经验构建调整集,容易受到主观判断影响;单纯使用机器学习特征重要性,又容易选择只对处理变量或只对结局变量有预测能力的变量,而不能保证其适合作为混杂控制变量;本发明通过sdrf筛选机制,将pc-stable结构学习得到的变量邻接频率与双目标随机森林重要性相结合,使候选变量同时接受“结构相关性”和“处理—结局双目标预测相关性”的筛选;具体而言,本发明使用候选变量与欺凌暴露、抑郁症状的bootstrap结构邻接频率构造结构得分,并使用处理预测随机森林和结局预测随机森林的重要性几何平均构造双目标机器学习得分;该方法能够惩罚仅对单一目标有预测能力的变量,优先保留同时与欺凌暴露和抑郁症状相关的变量,从而提高最终调整集的因果解释性和筛选稳定性;
106、3.降低人工阈值依赖,实现最终调整集的数据驱动选择;
107、传统变量筛选方法常采用固定top-、显著性阈值或人工经验决定控制变量数量,结果容易受到阈值设定影响。本发明在候选变量排序后构建嵌套调整子集,通过bootstrap重采样评估不同子集下平均处理效应估计的稳定性,并采用基于信息保留偏好的改进一标准误规则,在稳定性损失不超过最小稳定性损失一个标准误的候选子集中选择变量数量较多的子集。因此,本发明能够在保证效应估计稳定性的同时提高调整信息保留程度,降低对人工固定top-阈值的依赖。
108、4.改善协变量平衡,减少混杂偏倚;
109、本发明在最终调整集基础上进行因果效应估计,并通过标准化均差和有效样本量评价调整质量;与未调整状态相比,本发明能够改善处理组和对照组之间的协变量分布差异,从而降低混杂偏倚;在一个具体实施例中,本发明应用于1780名本科生校园健康监测数据,其中欺凌暴露人数为73人,抑郁症状人数为429人;采用本发明筛选的最终调整集并进行因果估计后,平均绝对标准化均差由调整前的0.175降低至调整后的0.070,最大绝对标准化均差由0.316降低至0.120,稳定化有效样本量为1751.0,说明在改善协变量平衡的同时并未造成明显样本信息损失;
110、5.提高因果效应估计结果的稳健性;
111、本发明不仅输出单一因果效应估计值,还同时通过bootstrap置信区间、安慰剂置换检验和替代估计器比较进行稳健性验证;由此,方法能够判断估计结果是否可能来自随机标签排列、模型偶然拟合或单一估计器偏差;在具体实施例中,本发明估计得到欺凌暴露对抑郁症状的平均处理效应ate为0.297,bootstrap标准误为0.004,95%置信区间为0.290至0.305,提示在所设定的识别假设和调整集下,欺凌暴露与抑郁症状风险约29.7个百分点的绝对增加相关;进一步地,安慰剂置换检验中,随机置换处理标签得到的虚假效应分布均值约为-0.004,标准差约为0.049,95%零效应区间约为-0.090至0.079,真实ate明显偏离该零效应分布;
112、6.支持群体平均效应和个体异质性效应的同步估计;
113、传统回归模型通常主要输出总体平均关联或少量预设交互项,难以识别不同学生群体之间的效应差异;本发明采用正交化因果森林,在输出ate、att和atc的同时,还能够为每个学生样本输出条件平均处理效应cate,从而支持异质性分析和分层干预;在具体实施例中,本发明输出的att为0.310,atc为0.297,方向与ate保持一致;异质性分析进一步显示,不同性别、年级、家庭结构、网络使用、移动设备使用、运动和饮食行为分层下的估计效应存在差异;例如,男性学生的估计效应高于女性学生,三年级学生和非核心家庭学生的估计效应也相对更高;该结果说明本发明不仅能够估计总体风险增量,还能够识别可能具有更高干预收益的学生亚群;
114、7.形成从数据处理、控制集筛选、效应估计到诊断报告输出的一体化软件流程;
115、本发明将数据清洗、变量构建、结构角色划分、冗余筛查、结构学习、双目标随机森林评分、嵌套子集选择、正交化因果森林估计和结果诊断整合为一套完整的计算机实现流程;与仅提供单一模型或单一算法的现有工具相比,本发明能够减少研究人员在多个软件之间手工切换、重复编码和人工判断的过程,提高分析流程的一致性、自动化程度和可复现性;该方法可输出最终调整集文件、变量得分文件、因果效应估计表、个体cate文件、协变量平衡图、安慰剂分布图、异质性分层图、uplift评价图和技术报告,适合嵌入校园健康监测平台、公共卫生调查系统或心理健康风险评估系统;
116、8.支持校园心理健康精准干预和资源优先配置;
117、本发明的输出结果不仅包括统计意义上的因果效应,还包括auuc、qini、top-gain和policyvalue等干预优先级评价指标;通过基于cate对学生进行排序,方法可以辅助识别在欺凌干预或心理支持中可能获得更高收益的学生群体;在具体实施例中,causalforestdml在uplift评价中表现较优,qini分数为278.80,auuc为565.84,并在10%和20%目标人群比例下获得较高top-gain和policyvalue;该结果表明,本发明能够将因果效应估计结果进一步转化为面向精准干预的人群排序信息,为资源有限条件下的校园心理健康干预提供量化依据;
118、9.具有社会应用价值;
119、从社会效果看,本发明能够为校园欺凌防控和学生心理健康管理提供更具因果解释性的计算工具;与仅依据相关性或风险预测结果开展干预相比,本发明能够帮助管理者识别欺凌暴露可能造成的抑郁症状风险增量,并进一步识别更可能受欺凌影响的重点学生群体,从而支持早期筛查、重点随访、心理辅导和校园欺凌防控措施的优化;该技术可应用于高校、中小学、疾控机构、教育行政部门和校园心理健康平台,有助于推动校园心理健康管理从“事后发现”向“基于数据的主动识别和精准干预”转变;
120、10.具有经济和管理应用价值;
121、从经济和管理效果看,本发明能够减少完全依赖人工筛查、人工建模和人工判断带来的时间成本和专业门槛;通过自动化数据处理、控制集筛选、因果效应估计和报告输出,方法可提高校园健康监测数据的二次利用效率,减少重复建模工作量;在学校或公共卫生管理场景中,本发明可辅助确定优先干预对象,使有限的心理咨询、健康教育和校园欺凌干预资源更集中地用于潜在收益较高的人群,从而提高干预资源配置效率;需要说明的是,本发明并不直接替代专业心理诊断或临床决策,而是作为数据分析和辅助决策工具,为校园心理健康风险评估和干预规划提供量化依据。
122、综上,本发明通过结构因果角色约束、pc-stable结构学习、双目标随机森林评分、嵌套子集稳定性选择和正交化因果森林估计,实现了观测性校园心理健康数据中欺凌暴露因果效应的自动化、可解释和可复现估计。具体实施结果表明,本发明能够改善协变量平衡、输出稳定的因果效应估计、识别欺凌暴露潜在影响较大或潜在干预收益较高的异质性人群,并形成面向精准干预的决策评价指标。因此,本发明同时具有明确的技术效果、公共卫生应用价值和校园心理健康管理价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com