論文の概要: Finding Subgroups with Significant Treatment Effects
- arxiv url: http://arxiv.org/abs/2103.07066v2
- Date: Wed, 20 Dec 2023 09:19:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 19:33:17.060509
- Title: Finding Subgroups with Significant Treatment Effects
- Title（参考訳）: 重要な治療効果を有するサブグループを見つける
- Authors: Jann Spiess and Vasilis Syrgkanis and Victor Yaneng Wang
- Abstract要約: ノイズの多いデータからそのようなサブグループを見つけるために特別に最適化された機械学習手法を提案する。
パーソナライズされた治療代行のための方法とは違って、当社のツールは重要なテストを考慮するように設計されている。
統計的に有意な正の処理効果を得る確率を最大化するために選択される部分群を生成する。
- 参考スコア（独自算出の注目度）: 20.457122933924463
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Researchers often run resource-intensive randomized controlled trials (RCTs)
to estimate the causal effects of interventions on outcomes of interest. Yet
these outcomes are often noisy, and estimated overall effects can be small or
imprecise. Nevertheless, we may still be able to produce reliable evidence of
the efficacy of an intervention by finding subgroups with significant effects.
In this paper, we propose a machine-learning method that is specifically
optimized for finding such subgroups in noisy data. Unlike available methods
for personalized treatment assignment, our tool is fundamentally designed to
take significance testing into account: it produces a subgroup that is chosen
to maximize the probability of obtaining a statistically significant positive
treatment effect. We provide a computationally efficient implementation using
decision trees and demonstrate its gain over selecting subgroups based on
positive (estimated) treatment effects. Compared to standard tree-based
regression and classification tools, this approach tends to yield higher power
in detecting subgroups affected by the treatment.
- Abstract（参考訳）: 研究者はしばしばリソース集約的ランダム化制御試験(RCT)を実施し、関心の結果に対する介入の因果効果を推定する。
しかし、これらの結果はしばしば騒々しく、推定された全体的な効果は小さいか不正確である。
それでも、重要な効果を持つサブグループを見つけることによって、介入の有効性の確実な証拠を得ることができるかもしれない。
本稿では,ノイズデータ中のサブグループを見つけるのに最適化された機械学習手法を提案する。
パーソナライズされた治療法とは違って,本ツールは,統計的に有意な正の処置効果が得られる確率を最大化するために選択されたサブグループを生成する。
決定木を用いた計算効率の高い実装を提供し,正の(推定された)処理効果に基づく部分群選択の利得を示す。
標準的な木に基づく回帰と分類ツールと比較して、この手法は治療によるサブグループの検出において高いパワーをもたらす傾向にある。
関連論文リスト
- A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。
非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文 参考訳（メタデータ） (2024-01-26T14:21:45Z) - SubgroupTE: Advancing Treatment Effect Estimation with Subgroup
Identification [7.598921240673158]
本稿では,サブグループ識別をTEEに組み込んだ新しい治療効果推定モデルを提案する。
サブグループTEは、異なる治療反応を持つ異種サブグループを特定し、サブグループ固有の因果効果を考慮して、より正確に治療効果を推定する。
合成および半合成データセットの実験は、治療効果推定の最先端モデルと比較して、サブグループTEの優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-22T21:41:26Z) - Statistical Performance Guarantee for Subgroup Identification with
Generic Machine Learning [1.0878040851638]
我々は、ジェネリックMLアルゴリズム(GATES)によりソートされたグループ平均処理効果を推定するための一様信頼バンドを開発する。
我々は,後期前立腺癌の臨床試験を解析し,例外的反応の比率が比較的高いことを見出した。
論文 参考訳（メタデータ） (2023-10-12T01:41:47Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning [0.0]
本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。
提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。
また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
論文 参考訳（メタデータ） (2023-07-03T14:27:15Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Sample Constrained Treatment Effect Estimation [28.156207324508706]
我々は,効率的なランダム化制御試験を設計することに集中し,治療の効果を正確に見積もる。
特に, サンプル制約による治療効果の推定について検討し, 実験を行うには, 集団から$s ll n$のサブセットを選択する必要がある。
論文 参考訳（メタデータ） (2022-10-12T21:13:47Z) - 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) - Robust Recursive Partitioning for Heterogeneous Treatment Effects with
Uncertainty Quantification [84.53697297858146]
治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。
サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。
本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
論文 参考訳（メタデータ） (2020-06-14T14:50:02Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z) - Fisher-Schultz Lecture: Generic Machine Learning Inference on
Heterogenous Treatment Effects in Randomized Experiments, with an Application
to Immunization in India [3.3449509626538543]
ランダム化実験における異種効果の重要な特徴を推定し,推定する手法を提案する。
主な特徴は、機械学習プロキシを使用した効果の最良の線形予測器、インパクトグループによってソートされた平均効果、および最も最も最も影響の少ないユニットの平均特性である。
論文 参考訳（メタデータ） (2017-12-13T14:47:57Z)
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。