論文の概要: Causal Mediation Analysis with Hidden Confounders
- arxiv url: http://arxiv.org/abs/2102.11724v1
- Date: Sun, 21 Feb 2021 06:46:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 01:57:33.838123
- Title: Causal Mediation Analysis with Hidden Confounders
- Title(参考訳): 隠れた共同創業者との因果関係分析
- Authors: Lu Cheng, Ruocheng Guo, Huan Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 24.246450472404614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An important problem in causal inference is to break down the total effect of
treatment into different causal pathways and quantify the causal effect in each
pathway. Causal mediation analysis (CMA) is a formal statistical approach for
identifying and estimating these causal effects. Central to CMA is the
sequential ignorability assumption that implies all pre-treatment confounders
are measured and they can capture different types of confounding, e.g.,
post-treatment confounders and hidden confounders. Typically unverifiable in
observational studies, this assumption restrains both the coverage and
practicality of conventional methods. This work, therefore, aims to circumvent
the stringent assumption by following a causal graph with a unified confounder
and its proxy variables. Our core contribution is an algorithm that combines
deep latent-variable models and proxy strategy to jointly infer a unified
surrogate confounder and estimate different causal effects in CMA from observed
variables. Empirical evaluations using both synthetic and semi-synthetic
datasets validate the effectiveness of the proposed method.
- Abstract(参考訳): 因果関係推論の重要な問題は、治療の総効果を異なる因果経路に分解し、各経路における因果効果を定量化することである。
因果分析(CMA)は、これらの因果効果を特定し、推定するための公式な統計的アプローチである。
CMAの中心は、全ての前処理の共同設立者が測定され、後処理の共同設立者や隠れた共同設立者など、様々な種類の共同設立を捉えることができるという逐次的無知の仮定である。
通常、観察研究では検証できないが、この仮定は従来の手法の適用範囲と実用性の両方を抑える。
したがって、この作業は、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。
合成データと半合成データの両方を用いた経験的評価により,提案手法の有効性が検証された。
関連論文リスト
- A Neural Framework for Generalized Causal Sensitivity Analysis [83.40814307588293]
本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。
我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
論文 参考訳(メタデータ) (2023-11-27T17:40:02Z) - A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳(メタデータ) (2023-06-08T09:40:28Z) - 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) - Sharp Bounds for Generalized Causal Sensitivity Analysis [30.77874108094485]
観測不能なコンバウンディング下での因果感度解析のための統一的な枠組みを提案する。
これには、(条件付き)平均治療効果、媒介分析および経路分析に対する効果、分布効果が含まれる。
我々の(条件付き)平均治療効果の限界は、因果感受性分析の最近の最適結果と一致する。
論文 参考訳(メタデータ) (2023-05-26T14:44:32Z) - Disentangled Representation for Causal Mediation Analysis [25.114619307838602]
因果媒介分析(英: Causal mediation analysis)は、直接的および間接的な効果を明らかにするためにしばしば用いられる方法である。
深層学習はメディエーション分析において有望であるが、現在の手法では、治療、メディエーター、結果に同時に影響を及ぼす潜在的共同創設者のみを前提としている。
そこで本研究では,助成金の表現を3つのタイプに分けて,自然的直接効果,自然間接効果,および全効果を正確に推定する,ディスタングル・メディエーション分析変分自動エンコーダ(DMAVAE)を提案する。
論文 参考訳(メタデータ) (2023-02-19T23:37:17Z) - Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。
本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。
本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
論文 参考訳(メタデータ) (2022-04-24T07:02:21Z) - 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) - 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) - 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) - Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。
これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。
本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-12T09:50:42Z) - Estimating Individual Treatment Effects through Causal Populations
Identification [11.936520478641182]
隠れ変数からの推測としてこの問題を定式化し、4つの排他的因果集団のモデルに基づいて因果制約を強制する。
本稿では,EMアルゴリズムの新たなバージョンを提案する。これは期待値最大化 (ECM) アルゴリズムと呼ばれ,軽度条件下での収束のヒントを提供する。
論文 参考訳(メタデータ) (2020-04-10T12:51:19Z)
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。