論文の概要: Efficient Discovery of Heterogeneous Quantile Treatment Effects in
Randomized Experiments via Anomalous Pattern Detection
- arxiv url: http://arxiv.org/abs/1803.09159v3
- Date: Wed, 10 May 2023 18:42:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 20:18:32.905023
- Title: Efficient Discovery of Heterogeneous Quantile Treatment Effects in
Randomized Experiments via Anomalous Pattern Detection
- Title(参考訳): 異常パターン検出によるランダム化実験における不均一な量子処理効果の効率的な発見
- Authors: Edward McFowland III, Sriram Somanchi, Daniel B. Neill
- Abstract要約: 治療効果サブセットスキャン(TESS)は、ランダム化実験においてどのサブ集団が治療によって最も影響を受けているかを発見する新しい方法である。
このアルゴリズムに加えて、処理効果のない鋭いヌル仮説の下では、I型とII型のエラーを制御できることを実証する。
- 参考スコア(独自算出の注目度): 1.9346186297861747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the recent literature on estimating heterogeneous treatment effects, each
proposed method makes its own set of restrictive assumptions about the
intervention's effects and which subpopulations to explicitly estimate.
Moreover, the majority of the literature provides no mechanism to identify
which subpopulations are the most affected--beyond manual inspection--and
provides little guarantee on the correctness of the identified subpopulations.
Therefore, we propose Treatment Effect Subset Scan (TESS), a new method for
discovering which subpopulation in a randomized experiment is most
significantly affected by a treatment. We frame this challenge as a pattern
detection problem where we efficiently maximize a nonparametric scan statistic
(a measure of the conditional quantile treatment effect) over subpopulations.
Furthermore, we identify the subpopulation which experiences the largest
distributional change as a result of the intervention, while making minimal
assumptions about the intervention's effects or the underlying data generating
process. In addition to the algorithm, we demonstrate that under the sharp null
hypothesis of no treatment effect, the asymptotic Type I and II error can be
controlled, and provide sufficient conditions for detection consistency--i.e.,
exact identification of the affected subpopulation. Finally, we validate the
efficacy of the method by discovering heterogeneous treatment effects in
simulations and in real-world data from a well-known program evaluation study.
- Abstract(参考訳): 近年の異種治療効果の推定に関する文献において,提案手法は,介入の効果と,どのサブポピュレーションを明示的に推定すべきかについて,それぞれに限定的な仮定を定めている。
さらに、文献の大半は、どのサブポピュレーションが最も影響を受けるかを特定するメカニズムを提供しておらず、また、手動検査以外に、特定されたサブポピュレーションの正しさをほとんど保証していない。
そこで本稿では,ランダム化実験におけるサブポピュレーションが治療に最も影響される新しい方法である,治療効果サブセットスキャン(TESS)を提案する。
我々はこの課題を,非パラメトリックスキャン統計量(条件量的処理効果の尺度)をサブポピュレーションに対して効率的に最大化するパターン検出問題として捉えた。
さらに,介入の結果として最大の分布変化を経験するサブ集団を特定し,介入の効果や基盤となるデータ生成過程について最小限の仮定を行う。
このアルゴリズムに加えて、治療効果がないという鋭いヌル仮説の下では、漸近型I型とII型のエラーを制御でき、影響したサブポピュレーションの正確な同定を行うのに十分な条件を提供する。
最後に,シミュレーションおよび実世界データにおける不均一な処理効果をよく知られたプログラム評価研究から発見し,本手法の有効性を検証した。
関連論文リスト
- Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。
医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。
このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
論文 参考訳(メタデータ) (2024-11-05T18:14:49Z) - Assumption-Lean Post-Integrated Inference with Negative Control Outcomes [0.0]
負の制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。
提案手法は,予測された直接効果推定値,隠された仲介者,共同設立者,モデレーターまで拡張する。
提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
論文 参考訳(メタデータ) (2024-10-07T12:52:38Z) - Identification of Average Causal Effects in Confounded Additive Noise Models [7.064432289838905]
結果に対する治療変数の任意のサブセットの平均因果効果(ACE)を推定するための新しいアプローチを提案する。
また,ノード数の多元対数に対する介入回数をさらに削減するランダム化アルゴリズムを提案する。
このことは、治療のどのサブセットの因果効果も、確立されたANMの結果を高い確率で推測するのに十分であることを示す。
論文 参考訳(メタデータ) (2024-07-13T21:46:57Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳(メタデータ) (2023-07-11T02:58:10Z) - Sample Constrained Treatment Effect Estimation [28.156207324508706]
我々は,効率的なランダム化制御試験を設計することに集中し,治療の効果を正確に見積もる。
特に, サンプル制約による治療効果の推定について検討し, 実験を行うには, 集団から$s ll n$のサブセットを選択する必要がある。
論文 参考訳(メタデータ) (2022-10-12T21:13:47Z) - Adaptive Identification of Populations with Treatment Benefit in
Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。
サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
論文 参考訳(メタデータ) (2022-08-11T14:27:49Z) - Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments [0.9208007322096533]
汎用MLアルゴリズムにより検出された不均一な処理効果の統計的推測に対する一般的なアプローチを開発する。
各グループの平均治療効果を推定し,有効信頼区間を構築する方法について述べる。
論文 参考訳(メタデータ) (2022-03-28T05:43:46Z) - To Impute or not to Impute? -- Missing Data in Treatment Effect
Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。
本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。
私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文 参考訳(メタデータ) (2022-02-04T12:08:31Z) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳(メタデータ) (2022-01-15T17:21:26Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - Conformal Inference of Counterfactuals and Individual Treatment Effects [6.810856082577402]
そこで本研究では,反ファクトや個々の治療効果について,信頼できる間隔を推定できる共形推論に基づく手法を提案する。
既存の手法は、単純なモデルであってもかなりのカバレッジの欠陥に悩まされる。
論文 参考訳(メタデータ) (2020-06-11T01:03:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。