Individualized treatment rules (ITRs) are considered a promising recipe to deliver better policy interventions. One key ingredient in optimal ITR estimation problems is to estimate the average treatment effect conditional on a subject’s covariate information, which is often challenging in observational studies due to the universal concern of unmeasured confounding. Instrumental variables (IVs) are widely used tools to infer the treatment effect when there is unmeasured confounding between the treatment and outcome. In this work, we propose a general framework of approaching the optimal ITR estimation problem when a valid IV is allowed to only partially identify the treatment effect. We introduce a novel notion of optimality called ‘IV‐optimality’. A treatment rule is said to be IV‐optimal if it minimizes the maximum risk with respect to the putative IV and the set of IV identification assumptions. We derive a bound on the risk of an IV‐optimal rule that illuminates when an IV‐optimal rule has favourable generalization performance. We propose a classification‐based statistical learning method that estimates such an IV‐optimal rule, design computationally efficient algorithms, and prove theoretical guarantees. We contrast our proposed method to the popular outcome weighted learning (OWL) approach via extensive simulations, and apply our method to study which mothers would benefit from travelling to deliver their premature babies at hospitals with high‐level neonatal intensive care units. R package ivitr implements the proposed method.

中文翻译：

---

用工具变量估算最佳治疗规则：部分识别学习方法

个体化治疗规则（ITR）被认为是提供更好的政策干预措施的有希望的方法。最佳ITR估计问题中的一个关键因素是估计以受试者的协变量信息为条件的平均治疗效果，由于普遍关注未测混杂因素，这在观察性研究中通常具有挑战性。当治疗与结果之间存在无法衡量的混淆时，工具变量（IVs）是广泛用于推断治疗效果的工具。在这项工作中，我们提出了一个通用的框架，当有效的IV仅允许部分识别治疗效果时，可以解决最佳ITR估计问题。我们介绍了一种称为“ IV-最优性”的新颖性最优概念。如果治疗规则可以最大程度地减少有关假定IV和IV识别假设的最大风险，则被认为是IV最佳的。我们得出了IV最佳规则风险的界限，该风险在IV最佳规则具有良好的泛化性能时便会照亮。我们提出了一种基于分类的统计学习方法，该方法可估计此类IV最佳规则，设计计算效率高的算法并证明理论上的保证。通过广泛的模拟，我们将我们提出的方法与流行的结果加权学习（OWL）方法进行了对比，并将我们的方法应用于研究哪些母亲将受益于在高级别新生儿重症监护病房的医院中分娩早产儿。我们得出了IV最佳规则风险的界限，该风险在IV最佳规则具有良好的泛化性能时便会照亮。我们提出了一种基于分类的统计学习方法，该方法可估计此类IV最佳规则，设计计算效率高的算法并证明理论上的保证。通过广泛的模拟，我们将我们提出的方法与流行的结果加权学习（OWL）方法进行了对比，并将我们的方法应用于研究哪些母亲将受益于在高级别新生儿重症监护病房的医院中分娩早产儿。我们得出了IV最佳规则风险的界限，该风险在IV最佳规则具有良好的泛化性能时便会照亮。我们提出了一种基于分类的统计学习方法，该方法可估计此类IV最佳规则，设计计算效率高的算法并证明理论上的保证。通过广泛的模拟，我们将我们提出的方法与流行的结果加权学习（OWL）方法进行了对比，并将我们的方法应用于研究哪些母亲将受益于在高级别新生儿重症监护病房的医院中分娩早产儿。并证明理论上的保证。通过广泛的模拟，我们将我们提出的方法与流行的结果加权学习（OWL）方法进行了对比，并将我们的方法应用于研究哪些母亲将从高层次新生儿重症监护病房的医院分娩中受益。并证明理论上的保证。通过广泛的模拟，我们将我们提出的方法与流行的结果加权学习（OWL）方法进行了对比，并将我们的方法应用于研究哪些母亲将受益于在高级别新生儿重症监护病房的医院中分娩早产儿。R包ivitr实现了所提出的方法。