論文の概要: A Causally Formulated Hazard Ratio Estimation through Backdoor Adjustment on Structural Causal Model

• arxiv url: http://arxiv.org/abs/2006.12573v1
• Date: Mon, 22 Jun 2020 19:10:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 05:47:51.274775
• Title: A Causally Formulated Hazard Ratio Estimation through Backdoor Adjustment on Structural Causal Model
• Title（参考訳）: 構造因果モデルにおけるバックドア調整による因果的危険度推定
• Authors: Riddhiman Adib, Paul Griffin, Sheikh Iqbal Ahamed, Mohammad Adibuzzaman
• Abstract要約: 本稿では,ハザード比の計算方法と,その因果解釈について検討する。 本研究では,SCMとdo-calculusによるバックドア調整を用いた観測研究から,新たなハザード比計算手法を提案する。
• 参考スコア（独自算出の注目度）: 0.98314893665023
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying causal relationships for a treatment intervention is a fundamental problem in health sciences. Randomized controlled trials (RCTs) are considered the gold standard for identifying causal relationships. However, recent advancements in the theory of causal inference based on the foundations of structural causal models (SCMs) have allowed the identification of causal relationships from observational data, under certain assumptions. Survival analysis provides standard measures, such as the hazard ratio, to quantify the effects of an intervention. While hazard ratios are widely used in clinical and epidemiological studies for RCTs, a principled approach does not exist to compute hazard ratios for observational studies with SCMs. In this work, we review existing approaches to compute hazard ratios as well as their causal interpretation, if it exists. We also propose a novel approach to compute hazard ratios from observational studies using backdoor adjustment through SCMs and do-calculus. Finally, we evaluate the approach using experimental data for Ewing's sarcoma.
• Abstract（参考訳）: 治療介入の因果関係を特定することは、健康科学における根本的な問題である。 ランダム化制御試験(RCT)は因果関係を特定するための金の標準であると考えられている。 しかし、近年、構造因果モデル(SCM)の基礎に基づく因果推論理論の進歩により、特定の仮定の下で観測データから因果関係の同定が可能となった。 生存分析は、介入の効果を定量化するために、ハザード比などの標準的な手段を提供する。 RCTの臨床・疫学研究ではハザード比が広く用いられているが、SCMを用いた観察研究のハザード比を計算するための原則的なアプローチは存在しない。 本研究は,ハザード比を計算し,その因果解釈を行う既存手法について検討する。 また,SCMとdo-calculusによるバックドア調整を用いた観測研究から,新たなハザード比計算手法を提案する。 最後に,Ewing肉腫実験データを用いたアプローチの評価を行った。

関連論文リスト

• HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Challenges and Considerations in the Evaluation of Bayesian Causal Discovery [49.0053848090947]
  因果発見の不確実性を表現することは、実験設計において重要な要素であり、より広く、安全で信頼性の高い因果決定のために重要である。 単一の推定因果グラフとモデルパラメータによる評価に依存する非ベイズ因果発見とは異なり、因果発見はその量の性質に起因する課題を提示する。 評価に最も適した指標についてのコンセンサスはない。
  論文  参考訳（メタデータ） (2024-06-05T12:45:23Z)
• Bayesian Causal Inference with Gaussian Process Networks [1.7188280334580197]
  本稿では,ガウス過程ネットワークモデルにおける仮説的介入の効果のベイズ推定の問題について考察する。 本稿では,ネットワーク全体の介入の効果をシミュレートし,下流変数に対する介入の効果を伝播させることにより,GPNに対する因果推論を行う方法について述べる。 両フレームワークを既知の因果グラフのケースを超えて拡張し,マルコフ連鎖モンテカルロ法による因果構造の不確実性を取り入れた。
  論文  参考訳（メタデータ） (2024-02-01T14:39:59Z)
• CKH: Causal Knowledge Hierarchy for Estimating Structural Causal Models from Data and Priors [4.585985446683868]
  因果的知識階層 (CKH) とよばれる概念を, 因果的モデルに符号化する。 我々のアプローチは医学における「証拠のレベル」の基礎の上にあり、因果情報への信頼に焦点を当てている。
  論文  参考訳（メタデータ） (2022-04-28T20:55:38Z)
• Targeted-BEHRT: Deep learning for observational causal inference on longitudinal electronic health records [1.3192560874022086]
  RCTが確立したNull causal associationの因果モデリングについて検討した。 本研究では,観測研究用データセットと変換器ベースモデルであるTargeted BEHRTと2倍のロバストな推定手法を開発した。 本モデルでは,高次元EHRにおけるリスク比推定のベンチマークと比較し,RRの精度の高い推定結果が得られた。
  論文  参考訳（メタデータ） (2022-02-07T20:05:05Z)
• Causal Forecasting:Generalization Bounds for Autoregressive Models [19.407531303870087]
  本稿では,予測のための「因果学習理論」の枠組みを紹介する。 統計的リスクと因果リスクの違いを特徴付ける。 これは時系列設定における因果一般化の理論的保証を提供する最初の研究である。
  論文  参考訳（メタデータ） (2021-11-18T17:56:20Z)
• 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)
• Causal Mediation Analysis with Hidden Confounders [24.246450472404614]
  CMA (Causal Mediation Analysis) は因果効果の同定と推定のための公式な統計手法である。 この研究は、統一された共著者とそのプロキシ変数による因果グラフに従うことによって、厳密な仮定を回避することを目的とする。 我々のコアコントリビューションは、深層潜伏変数モデルとプロキシ戦略を組み合わせたアルゴリズムであり、統一された代理共同創設者を共同で推論し、観測変数からCMAの異なる因果効果を推定する。
  論文  参考訳（メタデータ） (2021-02-21T06:46:11Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)
• 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。