論文の概要: Improving Inference from Simple Instruments through Compliance
Estimation
- arxiv url: http://arxiv.org/abs/2108.03726v1
- Date: Sun, 8 Aug 2021 20:18:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 15:05:20.442277
- Title: Improving Inference from Simple Instruments through Compliance
Estimation
- Title（参考訳）: コンプライアンス推定による簡易機器からの推論の改善
- Authors: Stephen Coussens, Jann Spiess
- Abstract要約: 機器変数(IV)回帰は、治療の受け取りが完全にランダムでない環境での因果治療効果を推定するために広く用いられている。
IVは、一貫した治療効果の見積もりを回復できるが、しばしばうるさい。
楽器の強度の予測可能な変動を利用して,IV推定値の効率を改善する方法について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Instrumental variables (IV) regression is widely used to estimate causal
treatment effects in settings where receipt of treatment is not fully random,
but there exists an instrument that generates exogenous variation in treatment
exposure. While IV can recover consistent treatment effect estimates, they are
often noisy. Building upon earlier work in biostatistics (Joffe and Brensinger,
2003) and relating to an evolving literature in econometrics (including Abadie
et al., 2019; Huntington-Klein, 2020; Borusyak and Hull, 2020), we study how to
improve the efficiency of IV estimates by exploiting the predictable variation
in the strength of the instrument. In the case where both the treatment and
instrument are binary and the instrument is independent of baseline covariates,
we study weighting each observation according to its estimated compliance (that
is, its conditional probability of being affected by the instrument), which we
motivate from a (constrained) solution of the first-stage prediction problem
implicit to IV. The resulting estimator can leverage machine learning to
estimate compliance as a function of baseline covariates. We derive the
large-sample properties of a specific implementation of a weighted IV estimator
in the potential outcomes and local average treatment effect (LATE) frameworks,
and provide tools for inference that remain valid even when the weights are
estimated nonparametrically. With both theoretical results and a simulation
study, we demonstrate that compliance weighting meaningfully reduces the
variance of IV estimates when first-stage heterogeneity is present, and that
this improvement often outweighs any difference between the compliance-weighted
and unweighted IV estimands. These results suggest that in a variety of applied
settings, the precision of IV estimates can be substantially improved by
incorporating compliance estimation.
- Abstract（参考訳）: インストゥルメンタル変数(iv)回帰は、治療の受け取りが完全にランダムでない設定において因果的治療効果を推定するために広く用いられるが、治療被曝において外因的変動を発生させる装置が存在する。
ivは一貫した治療効果の推定を回復できるが、しばしば騒がしい。
生物統計学における先行研究(joffe and brensinger, 2003)と、計量学における進化文学(abadie et al., 2019; huntington-klein, 2020; borusyak and hull, 2020)に基づいて、測定器の強度の予測可能な変動を利用してiv推定の効率を改善する方法について検討する。
両処理と計器が2値であり,計器が基線共変量に依存しない場合には,各観測の重み付けを,その推定コンプライアンス(すなわち,計器の影響を受けやすい条件付き確率)に基づいて検討し,第1段予測問題の(制約付き)解から第4段予測問題の暗黙的解を導出する。
その結果得られた推定器は、ベースライン共変量の関数としてコンプライアンスを推定するために機械学習を利用することができる。
重み付きIV推定器の特定の実装における大きなサンプル特性を潜在的結果と局所平均処理効果(LATE)フレームワークで導き出し、重みが非パラメトリックに見積もっても有効である推論ツールを提供する。
理論結果とシミュレーション研究の両方で、コンプライアンス重み付けは第一段階の不均一性が存在する場合のIV推定値の分散を有意に低減し、この改善はコンプライアンス重み付けと未重み付けIV推定値の差を上回ることが示されている。
これらの結果から,様々な適用条件において,コンプライアンス推定を組み込むことでiv推定の精度を大幅に向上できることが示唆された。
関連論文リスト
- Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data [44.31792000298105]
病状平均治療効果(CATE)の正確な予測は、パーソナライズされた医療とデジタルプラットフォーム分析において重要である。
我々は,信頼性の高いCATE推定を実現するために,IVと観測データを組み合わせた新しい手法を開発した。
論文 参考訳（メタデータ） (2024-06-10T16:40:55Z) - Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
異種治療効果を学習するための2段階損失関数を提案する。
提案手法は,市販の損失最小化機械学習手法により実装できる。
論文 参考訳（メタデータ） (2023-01-26T02:56:36Z) - Estimating individual treatment effects under unobserved confounding
using binary instruments [21.563820572163337]
個別治療効果(ITE)を観察データから推定することは、パーソナライズドメディカル(パーソナライズドメディカル)など多くの分野において重要である。
本稿では,バイナリIVを用いてITTを推定するための,MRIVと呼ばれる新しい多元的頑健な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-17T21:25:09Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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) - 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) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - 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) - Evaluating (weighted) dynamic treatment effects by double machine
learning [0.12891210250935145]
本研究では,データ駆動方式で動的処理の因果効果を評価する。
いわゆるNeyman-orthogonal score関数を用いて,中等度(局所的な)不特定性に対する治療効果推定の頑健さを示唆する。
推定子は正規に正規であり、特定の条件下では$sqrtn$-consistentであることを示す。
論文 参考訳（メタデータ） (2020-12-01T09:55:40Z) - Learning Deep Features in Instrumental Variable Regression [42.085253974990046]
IVレグレッションでは、学習は2段階に進み、ステージ1は、機器から治療への線形回帰を行い、ステージ2は、機器に条件付きで、処理から結果への線形回帰を行う。
本稿では, 楽器, 治療, 結果の関係が非線形である場合に対処する手法として, DFIV(Deep Feature instrumental variable regression)を提案する。
論文 参考訳（メタデータ） (2020-10-14T15:14:49Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。