論文の概要: Inferring the Direction of a Causal Link and Estimating Its Effect via a Bayesian Mendelian Randomization Approach

• arxiv url: http://arxiv.org/abs/2012.10167v1
• Date: Fri, 18 Dec 2020 11:01:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-05-01 17:58:32.036336
• Title: Inferring the Direction of a Causal Link and Estimating Its Effect via a Bayesian Mendelian Randomization Approach
• Title（参考訳）: 因果関係の方向を推定し、ベイズ・メンデルランダム化アプローチによるその効果を推定する
• Authors: Ioan Gabriel Bucur, Tom Claassen and Tom Heskes
• Abstract要約: BayesMRは、メンデリアランダム化技術の一般化である。 これは多変量効果と逆因果の可能性を許容する。 それは推定の不確実性の即時そして容易に解釈可能な測定を提供します。
• 参考スコア（独自算出の注目度）: 8.271859911016719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The use of genetic variants as instrumental variables - an approach known as Mendelian randomization - is a popular epidemiological method for estimating the causal effect of an exposure (phenotype, biomarker, risk factor) on a disease or health-related outcome from observational data. Instrumental variables must satisfy strong, often untestable assumptions, which means that finding good genetic instruments among a large list of potential candidates is challenging. This difficulty is compounded by the fact that many genetic variants influence more than one phenotype through different causal pathways, a phenomenon called horizontal pleiotropy. This leads to errors not only in estimating the magnitude of the causal effect but also in inferring the direction of the putative causal link. In this paper, we propose a Bayesian approach called BayesMR that is a generalization of the Mendelian randomization technique in which we allow for pleiotropic effects and, crucially, for the possibility of reverse causation. The output of the method is a posterior distribution over the target causal effect, which provides an immediate and easily interpretable measure of the uncertainty in the estimation. More importantly, we use Bayesian model averaging to determine how much more likely the inferred direction is relative to the reverse direction.
• Abstract（参考訳）: 遺伝子変異をインストゥルメンタル変数(mendelian randomization)として用いることは、疾患に対する暴露(表現型、バイオマーカー、リスクファクター)の因果効果や、観察データから健康関連の結果を予測する一般的な疫学手法である。 機器変数は強い、しばしば証明不可能な仮定を満たさなければならない。 この困難は、多くの遺伝子変異が異なる因果経路を通じて複数の表現型に影響を及ぼすという事実、すなわち水平プレオトロピー(英語版)と呼ばれる現象によって複合される。 これにより、因果効果の大きさを推定するだけでなく、因果連鎖の方向を推定する際の誤差も生じる。 本稿では,多変量効果を許容するメンデル確率化手法の一般化であるベイズMR(BayesMR)というベイズ的手法を提案する。 この方法の出力は、目標因果効果に対する後方分布であり、推定における不確かさの即時かつ容易に解釈可能な尺度を提供する。 さらに重要なことは、推定された方向が逆方向に対してどれだけ高いかを決定するためにベイズ平均モデルを用いることである。

関連論文リスト

• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて、リスク予測と因果効果推定の相乗効果を利用するモデルを開発する。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Heterogeneous Causal Discovery of Repeated Undesirable Health Outcomes [8.16644941863291]
  因果発見は、観測データから原因と効果の仮説を生成することによって、従来のアプローチに代わる手段を提供する。 しばしば強いあるいは証明不可能な仮定に頼り、その実践的応用を制限することができる。 本研究は、複数の仮定を考慮し、異種効果を同定することにより、因果発見をより実用的なものにすることを目的としている。
  論文  参考訳（メタデータ） (2025-03-14T15:05:17Z)
• Causal vs. Anticausal merging of predictors [57.26526031579287]
  同じデータを用いて、因果方向と反因果方向の融合予測器から生じる差について検討した。 帰納的バイアスとしてCausal Maximum Entropy (CMAXENT) を用いて予測器をマージする。
  論文  参考訳（メタデータ） (2025-01-14T20:38:15Z)
• DiffPO: A causal diffusion model for learning distributions of potential outcomes [22.262471034812492]
  DiffPOと呼ばれる新しい因果拡散モデルを提案する。 潜在的な結果の分布を学習することで、医療における信頼性の高い推論のために慎重に設計されている。 本手法は多種多様な実験において最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-10-11T15:50:17Z)
• Identification and Estimation of the Bi-Directional MR with Some Invalid Instruments [10.332963283207777]
  両方向メンデルランダム化(MR)における純粋観測データから因果効果を推定する難題について考察する。 本稿ではまず,観測データから双方向MRの同定を理論的に検討する。 我々は,有効なIV集合を発見し,興味の因果効果を推定するクラスタ融合的手法を開発した。
  論文  参考訳（メタデータ） (2024-07-10T12:58:30Z)
• Identification of Causal Structure with Latent Variables Based on Higher Order Cumulants [31.85295338809117]
  本稿では,潜伏変数の影響を受ける2つの変数間の因果エッジの存在を同定するための新しい手法を提案する。 このような因果エッジが流出した場合、因果方向を決定するための非対称性基準を導入する。
  論文  参考訳（メタデータ） (2023-12-19T08:20:19Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• 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)
• Pursuing Sources of Heterogeneity in Modeling Clustered Population [16.936362485508774]
  不均一な追従と特徴選択を同時に達成するために、正規化有限混合効果回帰を提案する。 これらの効果の制約付きスパース推定は、共通の効果を持つ変数と不均一な効果を持つ変数の両方を同定する。 アルツハイマー病の遺伝的要因と脳の特徴を関連付けるための画像遺伝学研究、青年期における自殺リスクと学区の特徴との関係を探る公衆衛生学研究、野球選手の給与水準がパフォーマンスと契約状態とどのように関連しているかを理解するためのスポーツ分析研究の3つの応用が提示されている。
  論文  参考訳（メタデータ） (2020-03-10T14:59:35Z)

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。