論文の概要: Discovering Heterogeneous Treatment Effects in Regression Discontinuity Designs

• arxiv url: http://arxiv.org/abs/2106.11640v4
• Date: Fri, 29 Aug 2025 10:13:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.756637
• Title: Discovering Heterogeneous Treatment Effects in Regression Discontinuity Designs
• Title（参考訳）: 回帰不連続設計における不均一な処理効果の発見
• Authors: Ágoston Reguly,
• Abstract要約: 本稿では,ファジィ回帰不連続設計における処理効果の不均一性を明らかにするための因果教師付き機械学習アルゴリズムを提案する。 モンテカルロシミュレーションを用いて本手法の性能を検証し,ルーマニアのより良い中等教育に通うことによる異質性の諸源を明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper proposes a causal supervised machine learning algorithm to uncover treatment effect heterogeneity in sharp and fuzzy regression discontinuity (RD) designs. We develop a criterion for building an honest ``regression discontinuity tree'', where each leaf contains the RD estimate of a treatment conditional on the values of some pre-treatment covariates. It is a priori unknown which covariates are relevant for capturing treatment effect heterogeneity, and it is the task of the algorithm to discover them, without invalidating inference, while employing a nonparametric estimator with expected MSE optimal bandwidth. We study the performance of the method through Monte Carlo simulations and apply it to uncover various sources of heterogeneity in the impact of attending a better secondary school in Romania.
• Abstract（参考訳）: 本稿では、シャープかつファジィな回帰不連続性(RD)設計における処理効果の不均一性を明らかにするための因果教師付き機械学習アルゴリズムを提案する。 各葉は, 処理前共変量の値に基づいて, 処理条件のRD推定値を含む, 正直な'レグレス不連続木''を構築するための基準を開発する。 MSEの最適帯域幅が期待されている非パラメトリック推定器を用いながら、推論を無効にすることなく、アルゴリズムがそれらを発見するためのタスクである。 モンテカルロシミュレーションを用いて本手法の性能を検証し,ルーマニアのより良い中等教育に通うことによる異質性の諸源を明らかにする。

関連論文リスト

• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization [6.324765782436764]
  既製の機械学習手法を利用したフレキシブルな分散回帰フレームワークを提案する。 提案する推定器の分布を確立し,有効な推論手順を導入する。
  論文  参考訳（メタデータ） (2025-06-06T10:14:38Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Learning Conditional Average Treatment Effects in Regression Discontinuity Designs using Bayesian Additive Regression Trees [0.5249805590164902]
  本稿では, 回帰不連続設計から条件付き平均処理効果(CATE)を学習するためのBARTモデルについて検討する。 線形回帰葉モデルを用いたBARTの目的構築バージョンは、既製のBART実装よりも優れた性能を示す。 本手法は, 学生の学業成績に及ぼす学業調査の効果を実証的に検討するとともに, 徹底的なシミュレーション研究において評価された。
  論文  参考訳（メタデータ） (2025-03-01T03:23:10Z)
• Amortized Posterior Sampling with Diffusion Prior Distillation [55.03585818289934]
  Amortized Posterior Smplingは、逆問題における効率的な後方サンプリングのための新しい変分推論手法である。 本手法は,拡散モデルにより暗黙的に定義された変動分布と後続分布とのばらつきを最小限に抑えるために条件付き流れモデルを訓練する。 既存の手法とは異なり、我々のアプローチは教師なしであり、ペア化されたトレーニングデータを必要としておらず、ユークリッドと非ユークリッドの両方のドメインに適用できる。
  論文  参考訳（メタデータ） (2024-07-25T09:53:12Z)
• Heterogeneous Treatment Effects in Panel Data [1.5535138991304305]
  回帰木を用いて,観測結果を類似の処理効果で解離クラスタに分割する手法を提案し,評価する。 我々の理論的結果は、結果の見積もりを真の治療効果に収束させるものである。
  論文  参考訳（メタデータ） (2024-06-09T04:02:08Z)
• Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
  反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。 本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
  論文  参考訳（メタデータ） (2024-01-29T21:13:01Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• 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)
• Generalization bounds and algorithms for estimating conditional average treatment effect of dosage [13.867315751451494]
  本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。 これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。 この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
  論文  参考訳（メタデータ） (2022-05-29T15:26:59Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Generalized Causal Tree for Uplift Modeling [7.614863322262727]
  昇降モデリングは、マーケティングやポリシー作成からパーソナライズされたレコメンデーションまで、様々なアプリケーションにおいて重要である。 主な目的は、異種集団に対する最適な治療割り当てを学習することである。 複数の離散的かつ連続的な処理に対処するためのツリーベースアプローチの一般化を提案する。
  論文  参考訳（メタデータ） (2022-02-04T22:27:49Z)
• 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)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation [0.0]
  本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。 観察データを用いて不均一な治療効果を推定する。
  論文  参考訳（メタデータ） (2021-02-12T15:24:50Z)

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。