論文の概要: Conformal Inference of Counterfactuals and Individual Treatment Effects
- arxiv url: http://arxiv.org/abs/2006.06138v2
- Date: Thu, 6 May 2021 00:54:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 14:24:18.488897
- Title: Conformal Inference of Counterfactuals and Individual Treatment Effects
- Title（参考訳）: 対物関係のコンフォーマル推論と個別処理効果
- Authors: Lihua Lei and Emmanuel J. Cand\`es
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.810856082577402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating treatment effect heterogeneity widely informs treatment decision
making. At the moment, much emphasis is placed on the estimation of the
conditional average treatment effect via flexible machine learning algorithms.
While these methods enjoy some theoretical appeal in terms of consistency and
convergence rates, they generally perform poorly in terms of uncertainty
quantification. This is troubling since assessing risk is crucial for reliable
decision-making in sensitive and uncertain environments. In this work, we
propose a conformal inference-based approach that can produce reliable interval
estimates for counterfactuals and individual treatment effects under the
potential outcome framework. For completely randomized or stratified randomized
experiments with perfect compliance, the intervals have guaranteed average
coverage in finite samples regardless of the unknown data generating mechanism.
For randomized experiments with ignorable compliance and general observational
studies obeying the strong ignorability assumption, the intervals satisfy a
doubly robust property which states the following: the average coverage is
approximately controlled if either the propensity score or the conditional
quantiles of potential outcomes can be estimated accurately. Numerical studies
on both synthetic and real datasets empirically demonstrate that existing
methods suffer from a significant coverage deficit even in simple models. In
contrast, our methods achieve the desired coverage with reasonably short
intervals.
- Abstract（参考訳）: 治療効果の評価は、治療決定を広く通知する。
現時点では、フレキシブルな機械学習アルゴリズムによる条件付き平均処理効果の推定に重点が置かれている。
これらの手法は一貫性と収束率の点で理論上は魅力的であるが、一般に不確かさの定量化の点では不十分である。
リスク評価は、センシティブで不確実な環境での信頼性の高い意思決定に不可欠であるため、これは厄介である。
そこで本研究では, 反事実と個々の治療効果に対する信頼性の高い区間推定を実現するための共形推論に基づく手法を提案する。
完全コンプライアンスを持つ完全ランダム化または成層ランダム化実験の場合、間隔は未知のデータ生成機構にかかわらず、有限サンプルの平均カバレッジを保証する。
強い無知の仮定に従うランダム化実験や一般的な観察研究では、区間は次の2つの頑健な性質を満たす: 平均カバレッジは、確率スコアまたは潜在的結果の条件量子のどちらかが正確に推定できる場合にほぼ制御される。
合成データと実データの両方に関する数値的研究は、既存の手法が単純なモデルでもかなりのカバレッジの欠陥を被っていることを実証的に示している。
対照的に,本手法は所望のカバレッジを比較的短い間隔で達成する。
関連論文リスト
- Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2024-07-01T20:44:48Z) - Conformal Counterfactual Inference under Hidden Confounding [19.190396053530417]
反ファクトの世界における潜在的な結果の予測と不確実性は、因果推論における因果的問題を引き起こす。
反事実に対する信頼区間を構成する既存の方法は、強い無知の仮定に依存する。
提案手法は, 限界収束保証付き実測結果に対する信頼区間を提供するトランスダクティブ重み付き共形予測に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-20T21:43:43Z) - Counterfactual Generative Models for Time-Varying Treatments [15.208067770012283]
公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。
そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。
合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
論文 参考訳（メタデータ） (2023-05-25T05:45:53Z) - 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) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳（メタデータ） (2023-01-20T20:14:32Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。
本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。
本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
論文 参考訳（メタデータ） (2022-04-24T07:02:21Z) - Counterfactual inference for sequential experiments [17.817769460838665]
複数の単位に複数の時間点に対する処理を割り当てるシーケンシャルな設計実験のアフタースタディ統計的推測を考察する。
我々のゴールは、最小限のスケールで、カウンターファクト平均に対する推論保証を提供することです。
我々は,いくつかのシミュレーションと,モバイル医療臨床試験HeartStepsのデータを含むケーススタディを通して,我々の理論を解説する。
論文 参考訳（メタデータ） (2022-02-14T17:24:27Z) - 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) - 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)
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。