論文の概要: Quantifying Ignorance in Individual-Level Causal-Effect Estimates under Hidden Confounding

• arxiv url: http://arxiv.org/abs/2103.04850v1
• Date: Mon, 8 Mar 2021 15:58:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:56:29.861924
• Title: Quantifying Ignorance in Individual-Level Causal-Effect Estimates under Hidden Confounding
• Title（参考訳）: 隠れコンバウンダリングによる個人レベル因果推定値の不明瞭度の定量化
• Authors: Andrew Jesson, S\"oren Mindermann, Yarin Gal, Uri Shalit
• Abstract要約: 共同設立者による高次元観測データから条件付き平均治療効果(CATE)の学習問題について検討した。 高次元データに適した新しいパラメトリック間隔推定器を提案する。
• 参考スコア（独自算出の注目度）: 38.09565581056218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of learning conditional average treatment effects (CATE) from high-dimensional, observational data with unobserved confounders. Unobserved confounders introduce ignorance -- a level of unidentifiability -- about an individual's response to treatment by inducing bias in CATE estimates. We present a new parametric interval estimator suited for high-dimensional data, that estimates a range of possible CATE values when given a predefined bound on the level of hidden confounding. Further, previous interval estimators do not account for ignorance about the CATE stemming from samples that may be underrepresented in the original study, or samples that violate the overlap assumption. Our novel interval estimator also incorporates model uncertainty so that practitioners can be made aware of out-of-distribution data. We prove that our estimator converges to tight bounds on CATE when there may be unobserved confounding, and assess it using semi-synthetic, high-dimensional datasets.
• Abstract（参考訳）: 共同設立者による高次元観測データから条件付き平均治療効果(CATE)の学習問題について検討した。 観察されていない共同創業者は、CATE推定でバイアスを誘導することによって治療に対する個人の反応について無知 - 識別不能のレベルを導入します。 高次元データに適した新しいパラメトリック間隔推定器を提示し、隠れたコンバーチングのレベルに事前に定義された境界を与えられた場合に可能なCATE値の範囲を推定する。 さらに、以前の間隔推定器は、元の研究で不足しているかもしれないサンプルや重なりの仮定に反するサンプルから生じるCATEに関する無知を説明できない。 この新しい区間推定器はモデルの不確実性も組み込んでおり、実践者は分散データに気付くことができる。 我々の推定器は、観測されていないコンバウンディングが存在する場合、CATEの厳密な境界に収束し、半合成高次元データセットを用いて評価する。

関連論文リスト

• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。 我々は多種多様な高次元データにまたがって理論を検証する。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Valid causal inference with unobserved confounding in high-dimensional settings [0.0]
  半パラメトリックな推論が、観測されていない共同創設者や高次元ニュアンスモデルの存在下でどのように得られるかを示す。 本研究では、観測不能な共振を許容する不確実区間を提案し、観測不能な共振の量が小さい場合、その結果の推論が有効であることを示す。
  論文  参考訳（メタデータ） (2024-01-12T13:21:20Z)
• Label Shift Estimators for Non-Ignorable Missing Data [2.605549784939959]
  ランダム変数 Y の平均を非無視的欠損(すなわち、不足メカニズムが Y に依存する場合)で推定する問題を考察する。 当社のアプローチは、無視できないアプローチと無視できないアプローチを比較して、大規模な健康調査を用いて、病気の有病率を推定するために使用します。
  論文  参考訳（メタデータ） (2023-10-27T16:50:13Z)
• Falsification before Extrapolation in Causal Effect Estimation [6.715453431174765]
  個体群における因果関係は、しばしば観測データを用いて推定される。 本稿では,偏りのある観測推定を拒否するメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T21:47:23Z)
• Deconfounding Temporal Autoencoder: Estimating Treatment Effects over Time Using Noisy Proxies [15.733136147164032]
  個別化治療効果(ITE)を観察データから推定することは意思決定に不可欠である。 我々は,観測された雑音のプロキシを利用して隠れ埋め込みを学習する新しい手法であるDeconfounding Temporal Autoencoderを開発した。 我々は、最先端のベンチマークを実質的なマージンで改善することで、DTAの有効性を実証する。
  論文  参考訳（メタデータ） (2021-12-06T13:14:31Z)
• Identifiable Energy-based Representations: An Application to Estimating Heterogeneous Causal Effects [83.66276516095665]
  条件付き平均治療効果(CATEs)は、多数の個体にまたがる不均一性について理解することができる。 典型的なCATE学習者は、CATEが識別可能であるために、すべての共起変数が測定されていると仮定する。 本稿では,ノイズコントラッシブ損失関数を用いて,変数の低次元表現を学習するエネルギーベースモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-06T10:39:49Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• 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)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)
• Causal Inference With Selectively Deconfounded Data [22.624714904663424]
  我々は、平均治療効果(ATE)を推定する際に、大規模な統合された観測データセット(共同設立者なし)と小さな非統合された観測データセット(共同設立者明らかに)を組み込むことの利点を検討する。 理論的には, 待ち行列を所望の精度で推定するために必要なデコンストラクタデータの量を大幅に削減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-25T18:46:19Z)

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。