Fugu-MT 論文翻訳(概要): How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference

論文の概要: How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference

arxiv url: http://arxiv.org/abs/2010.03051v2
Date: Wed, 7 Jul 2021 17:19:30 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 08:08:32.179391
Title: How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference
Title（参考訳）: 観測因果推論手法の評価に実験データを利用する方法と方法
Authors: Amanda Gentzel, Purva Pruthi, David Jensen
Abstract要約: ランダム化制御試験(OSRCT)の観察サンプリングを記述・解析する。この手法は、処理効果の非偏見的な推定値で構築された観測データセットを作成するのに使用できる。次に,37データセットに対して7つの因果推論手法を大規模に評価する。
参考スコア（独自算出の注目度）: 7.551130027327462
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Methods that infer causal dependence from observational data are central to many areas of science, including medicine, economics, and the social sciences. A variety of theoretical properties of these methods have been proven, but empirical evaluation remains a challenge, largely due to the lack of observational data sets for which treatment effect is known. We describe and analyze observational sampling from randomized controlled trials (OSRCT), a method for evaluating causal inference methods using data from randomized controlled trials (RCTs). This method can be used to create constructed observational data sets with corresponding unbiased estimates of treatment effect, substantially increasing the number of data sets available for empirical evaluation of causal inference methods. We show that, in expectation, OSRCT creates data sets that are equivalent to those produced by randomly sampling from empirical data sets in which all potential outcomes are available. We then perform a large-scale evaluation of seven causal inference methods over 37 data sets, drawn from RCTs, as well as simulators, real-world computational systems, and observational data sets augmented with a synthetic response variable. We find notable performance differences when comparing across data from different sources, demonstrating the importance of using data from a variety of sources when evaluating any causal inference method.
Abstract（参考訳）: 観測データから因果依存性を推定する手法は、医学、経済学、社会科学など、多くの分野の科学の中心である。これらの手法の様々な理論的性質が証明されているが、治療効果が知られている観測データセットが欠如していることから、実証的な評価は依然として困難である。本研究では,ランダム化対照試験(rcts)のデータを用いた因果推論手法の評価手法であるosrctから観測サンプリングを記述・解析する。本手法は, 治療効果の偏りのない推定値で構築された観測データセットの作成に利用することができ, 因果推論手法の実証評価に利用可能なデータセットの数を著しく増やすことができる。期待して、osrctは、すべての潜在的な結果が利用可能である経験的データセットからランダムにサンプリングしたデータセットと同等のデータセットを作成する。次に,RCTから抽出した37個のデータセットとシミュレータ,実世界の計算システム,合成応答変数を付加した観測データセットの7つの因果推論手法を大規模に評価する。異なるソースからのデータを比較した場合に顕著な性能差が見られ、因果推論手法を評価する際には、様々なソースからのデータを使用することの重要性が示される。

関連論文リスト

Combining Incomplete Observational and Randomized Data for Heterogeneous Treatment Effects [10.9134216137537]
既存の観測データとランダム化データを統合するには,テキスト完全観測データが必要である。我々は、HTE推定のためのtextbfCombine textbfIncomplete textbfObservationalデータとランダム化データに対するレジリエントなアプローチを提案する。
論文参考訳（メタデータ） (2024-10-28T06:19:14Z)
Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。利用可能なデータの可能性は局所的な最大値を持たないことを示す。次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文参考訳（メタデータ） (2023-07-31T11:28:24Z)
RCT Rejection Sampling for Causal Estimation Evaluation [25.845034753006367]
コンバウンディングは、観測データから因果効果の偏りのない推定に対する重要な障害である。評価設計を簡略化し,実データを使用する,有望な実証評価戦略を構築した。提案アルゴリズムは, 既成試料からオラクル推定器を評価した場合に, バイアスが小さくなることを示す。
論文参考訳（メタデータ） (2023-07-27T20:11:07Z)
Data-Driven Estimation of Heterogeneous Treatment Effects [15.140272661540655]
異種治療効果推定(ヘテロジニアス・エフェクト・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント)は、経験科学において重要な問題である。機械学習を用いた不均一な処理効果推定のための最先端データ駆動手法について調査する。
論文参考訳（メタデータ） (2023-01-16T21:36:49Z)
Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
不均一な治療効果を推定することは、多くの領域において重要な問題である。現在、現存するほとんどの作品は観測データにのみ依存している。本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
論文参考訳（メタデータ） (2022-02-25T18:59:54Z)
Evaluating Causal Inference Methods [0.4588028371034407]
我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
論文参考訳（メタデータ） (2022-02-09T00:21:22Z)
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)
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)
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)
A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。観測データに対する様々な因果効果推定法が誕生した。
論文参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。