論文の概要: On the role of surrogates in the efficient estimation of treatment
effects with limited outcome data
- arxiv url: http://arxiv.org/abs/2003.12408v1
- Date: Fri, 27 Mar 2020 13:31:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-12-19 04:56:03.751479
- Title: On the role of surrogates in the efficient estimation of treatment
effects with limited outcome data
- Title（参考訳）: 限られた結果データを用いた治療効果の効率的な評価におけるサロゲートの役割について
- Authors: Nathan Kallus, Xiaojie Mao
- Abstract要約: 一次関心の結果がほとんど観察されない場合, 治療効果を推定する問題について検討した。
平均治療効果(ATE)の半パラメトリック下限は,サロゲートの存在と非存在の両方で導かれる。
本稿では,フレキシブルな機械学習手法に基づくATE推定器と推論手法を提案し,ニュアンスパラメータを推定する。
- 参考スコア（独自算出の注目度）: 60.523606291705214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of estimating treatment effects when the outcome of
primary interest (e.g., long-term health status) is only seldom observed but
abundant surrogate observations (e.g., short-term health outcomes) are
available. To investigate the role of surrogates in this setting, we derive the
semiparametric efficiency lower bounds of average treatment effect (ATE) both
with and without presence of surrogates, as well as several intermediary
settings. These bounds characterize the best-possible precision of ATE
estimation in each case, and their difference quantifies the efficiency gains
from optimally leveraging the surrogates in terms of key problem
characteristics when only limited outcome data are available. We show these
results apply in two important regimes: when the number of surrogate
observations is comparable to primary-outcome observations and when the former
dominates the latter. Importantly, we take a missing-data approach that
circumvents strong surrogate conditions which are commonly assumed in previous
literature but almost always fail in practice. To show how to leverage the
efficiency gains of surrogate observations, we propose ATE estimators and
inferential methods based on flexible machine learning methods to estimate
nuisance parameters that appear in the influence functions. We show our
estimators enjoy efficiency and robustness guarantees under weak conditions.
- Abstract（参考訳）: 一次関心の成果(長期健康状態など)がほとんど観察されないが、豊富な代理観察(短期健康状態など)がある場合、治療効果を推定する問題について検討する。
この設定におけるサーロゲートの役割を調べるために、サーロゲートの有無といくつかの中間設定の両方において、平均治療効果(ate)の半パラメトリック効率下限を導出する。
これらの境界は、各ケースにおけるate推定の至適精度を特徴とし、それらの差は、限られた結果データしか利用できない場合に、重要な問題特性の観点から、サロゲートを最適に活用することによる効率向上を定量化する。
これらの結果は2つの重要な領域に当てはまる: サロゲート観測の数が一次所得観測に匹敵する場合と、前者が後者を支配する場合である。
重要なことは,従来の文献でよく想定される強い代理条件を回避できるようなデータ不足のアプローチを,ほぼ常に実践に失敗することです。
代理観測の効率向上をいかに活用するかを示すために,フレキシブルな機械学習手法に基づくATE推定器と推論手法を提案し,影響関数に現れるニュアンスパラメータを推定する。
弱条件下での効率性と堅牢性の保証を享受できることを示す。
関連論文リスト
- PUATE: Semiparametric Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units [7.8856737627153874]
本研究では、処理グループと未知のグループ構成ユニットのみを観測可能な環境で、ATE推定のための半パラメトリック効率的な推定器を開発する。
本研究は,欠落データと弱教師付き学習による因果推論に寄与する。
論文 参考訳（メタデータ） (2025-01-31T17:47:32Z) - Continuous Treatment Effects with Surrogate Outcomes [12.548638259932915]
持続的治療効果の予測におけるサロゲートの役割について検討した。
そこで本研究では,サロゲートを効率的に分析に組み込む2つの頑健な手法を提案する。
論文 参考訳（メタデータ） (2024-01-31T20:50:18Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - 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) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Doing Great at Estimating CATE? On the Neglected Assumptions in
Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。
異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。
ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
論文 参考訳（メタデータ） (2021-07-28T13:21:27Z) - Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。
我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文 参考訳（メタデータ） (2020-11-17T16:28:43Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - Counterfactual Propagation for Semi-Supervised Individual Treatment
Effect Estimation [21.285425135761795]
個別治療効果(英: individual treatment effect、ITE)とは、特定の標的に特定の行動をとる結果の期待された改善を示す。
本研究では、より容易に利用可能な未ラベルのインスタンスを利用する半教師付きITE推定問題について考察する。
本稿では,最初の半教師付きITT推定法である反実伝搬法を提案する。
論文 参考訳（メタデータ） (2020-05-11T13:32:38Z) - Causal Inference With Selectively Deconfounded Data [22.624714904663424]
我々は、平均治療効果(ATE)を推定する際に、大規模な統合された観測データセット(共同設立者なし)と小さな非統合された観測データセット(共同設立者明らかに)を組み込むことの利点を検討する。
理論的には, 待ち行列を所望の精度で推定するために必要なデコンストラクタデータの量を大幅に削減できる可能性が示唆された。
論文 参考訳（メタデータ） (2020-02-25T18:46:19Z)
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。