論文の概要: Evaluating (weighted) dynamic treatment effects by double machine
learning
- arxiv url: http://arxiv.org/abs/2012.00370v4
- Date: Tue, 16 Feb 2021 16:05:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 12:46:14.649994
- Title: Evaluating (weighted) dynamic treatment effects by double machine
learning
- Title（参考訳）: ダブル機械学習による動的治療効果の評価(重み付け)
- Authors: Hugo Bodory, Martin Huber, Luk\'a\v{s} Laff\'ers
- Abstract要約: 本研究では,データ駆動方式で動的処理の因果効果を評価する。
いわゆるNeyman-orthogonal score関数を用いて,中等度(局所的な)不特定性に対する治療効果推定の頑健さを示唆する。
推定子は正規に正規であり、特定の条件下では$sqrtn$-consistentであることを示す。
- 参考スコア（独自算出の注目度）: 0.12891210250935145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider evaluating the causal effects of dynamic treatments, i.e. of
multiple treatment sequences in various periods, based on double machine
learning to control for observed, time-varying covariates in a data-driven way
under a selection-on-observables assumption. To this end, we make use of
so-called Neyman-orthogonal score functions, which imply the robustness of
treatment effect estimation to moderate (local) misspecifications of the
dynamic outcome and treatment models. This robustness property permits
approximating outcome and treatment models by double machine learning even
under high dimensional covariates and is combined with data splitting to
prevent overfitting. In addition to effect estimation for the total population,
we consider weighted estimation that permits assessing dynamic treatment
effects in specific subgroups, e.g. among those treated in the first treatment
period. We demonstrate that the estimators are asymptotically normal and
$\sqrt{n}$-consistent under specific regularity conditions and investigate
their finite sample properties in a simulation study. Finally, we apply the
methods to the Job Corps study in order to assess different sequences of
training programs under a large set of covariates.
- Abstract（参考訳）: 我々は、動的治療の因果効果、すなわち、評価について検討する。
様々な期間における複数の治療シーケンスについて、観測された時変共変量の制御のための2つの機械学習に基づいて、選択-観察-観察の仮定の下でデータ駆動の方法で処理する。
この目的のために, ニーマン・オルトゴナルスコア関数(neyman-orthogonal score function)を用いて, 治療効果推定のロバスト性を, 動的結果と治療モデルの中等度(局所的)な不特定化に導く。
このロバスト性は、高次元共変量の下でも二重機械学習による近似結果と処理モデルを可能にし、データ分割と組み合わせて過度な適合を防止する。
総人口に対する効果推定に加えて,特定のサブグループにおける動的治療効果の評価を許容する重み付け推定についても検討する。
最初の治療期間に治療を受けた人のうちです
本研究は, 比例則条件下での漸近的正規性と$\sqrt{n}$-consistentであることを示し, その有限標本特性についてシミュレーション研究を行った。
最後に,この手法をジョブ・コーポレーション・リサーチに適用し,多数の共変量集合の下で異なる訓練プログラムのシーケンスを評価する。
関連論文リスト
- Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning [0.0]
本稿では,連続処理と複数期間の差分差分法(DiD)を提案する。
本フレームワークは,2つの非ゼロ治療用量の比較において,平均治療効果(ATET)を評価する。
論文 参考訳（メタデータ） (2024-10-28T15:10:43Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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) - Covariate-Balancing-Aware Interpretable Deep Learning models for
Treatment Effect Estimation [15.465045049754336]
本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。
新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。
提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-07T07:42:40Z) - 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) - Dynamic covariate balancing: estimating treatment effects over time with
potential local projections [0.32634122554914]
治療が時間とともに動的に変化する場合のパネルデータ設定における治療履歴の推定と推定について検討する。
我々のアプローチは過去の歴史に潜在的な成果の期待を反映している。
論文 参考訳（メタデータ） (2021-03-01T19:53:32Z) - Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。
提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。
2倍のロス率推定フレームワークの下では、その優位性を維持している。
論文 参考訳（メタデータ） (2020-12-26T20:15:44Z) - Double machine learning for sample selection models [0.12891210250935145]
本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。
a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
論文 参考訳（メタデータ） (2020-11-30T19:40:21Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。