論文の概要: Estimating Average Treatment Effects via Orthogonal Regularization
- arxiv url: http://arxiv.org/abs/2101.08490v1
- Date: Thu, 21 Jan 2021 08:05:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 08:04:06.487417
- Title: Estimating Average Treatment Effects via Orthogonal Regularization
- Title(参考訳): 直交正則化による平均治療効果の推定
- Authors: Tobias Hatt, Stefan Feuerriegel
- Abstract要約: 従来の方法は根拠のない結果に基づいて成果を見積もるが、根拠のない結果に課されるいかなる制約も無視する。
非定常性を利用した平均治療効果を推定するための新しい正規化フレームワークを提案する。
我々はDONUTが最先端技術を大幅に上回っていることを実証する。
- 参考スコア(独自算出の注目度): 18.586616164230566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Decision-making often requires accurate estimation of treatment effects from
observational data. This is challenging as outcomes of alternative decisions
are not observed and have to be estimated. Previous methods estimate outcomes
based on unconfoundedness but neglect any constraints that unconfoundedness
imposes on the outcomes. In this paper, we propose a novel regularization
framework for estimating average treatment effects that exploits
unconfoundedness. To this end, we formalize unconfoundedness as an
orthogonality constraint, which ensures that the outcomes are orthogonal to the
treatment assignment. This orthogonality constraint is then included in the
loss function via a regularization. Based on our regularization framework, we
develop deep orthogonal networks for unconfounded treatments (DONUT), which
learn outcomes that are orthogonal to the treatment assignment. Using a variety
of benchmark datasets for estimating average treatment effects, we demonstrate
that DONUT outperforms the state-of-the-art substantially.
- Abstract(参考訳): 意思決定は、しばしば観測データから治療効果を正確に推定する必要がある。
代替決定の結果は観察されず、見積もる必要があるため、これは難しいことです。
従来の方法は根拠のない結果に基づいて成果を見積もるが、根拠のない結果に課されるいかなる制約も無視する。
本稿では,不整合性を利用した平均治療効果を推定するための新しい正規化フレームワークを提案する。
この目的のために, 既定性が直交性制約として定式化され, 結果が治療課題と直交することを保証する。
この直交性制約は正規化によって損失関数に含まれる。
正規化の枠組みに基づいて、治療課題に直交する結果を学習する未確立治療のための深層直交ネットワーク(DONUT)を開発した。
平均治療効果を推定するために様々なベンチマークデータセットを用いて、DONUTが最先端の精度を大幅に上回ることを示した。
関連論文リスト
- Estimating Conditional Average Treatment Effects with Missing Treatment
Information [20.83151214072516]
治療情報不足時に条件平均治療効果(CATE)を推定することは困難である。
本稿では,欠損治療によるCATE推定について分析する。
我々は,新しいCATE推定アルゴリズムであるMTRNetを開発した。
論文 参考訳(メタデータ) (2022-03-02T21:23:25Z) - Predicting the impact of treatments over time with uncertainty aware
neural differential equations [2.099922236065961]
本稿では,治療の効果を時間とともに予測する新しい手法であるCounterfactual ODEを提案する。
CF-ODEが従来よりも精度の高い予測と信頼性の高い不確実性推定を提供することを示す。
論文 参考訳(メタデータ) (2022-02-24T09:50:02Z) - To Impute or not to Impute? -- Missing Data in Treatment Effect
Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。
本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。
私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文 参考訳(メタデータ) (2022-02-04T12:08:31Z) - 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) - BITES: Balanced Individual Treatment Effect for Survival data [0.0]
患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。
時間から時間までのデータは、治療最適化にはほとんど使われない。
我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
論文 参考訳(メタデータ) (2022-01-05T10:39:31Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳(メタデータ) (2021-12-14T17:53:01Z) - 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) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳(メタデータ) (2021-07-01T17:59:07Z) - Sequential Deconfounding for Causal Inference with Unobserved
Confounders [18.586616164230566]
個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。
これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。
本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
論文 参考訳(メタデータ) (2021-04-16T09:56:39Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z)
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。