論文の概要: Optimal transport weights for causal inference
- arxiv url: http://arxiv.org/abs/2109.01991v1
- Date: Sun, 5 Sep 2021 04:48:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 07:23:08.893915
- Title: Optimal transport weights for causal inference
- Title（参考訳）: 因果推論のための最適輸送重み付け
- Authors: Eric Dunipace
- Abstract要約: 因果的最適輸送は因果的効果を推定する新しい方法である。
本手法は, 処理群と制御群間の最適な輸送距離を最小化し, より一般的には, ソースとターゲットの集団間の移動距離を最小化し, 直接分布バランスを目標とする。
胸部出血に対するミソプロストロールとオキシトシンの併用効果について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weighting methods are a common tool to de-bias estimates of causal effects.
And though there are an increasing number of seemingly disparate methods, many
of them can be folded into one unifying regime: causal optimal transport. This
new method directly targets distributional balance by minimizing optimal
transport distances between treatment and control groups or, more generally,
between a source and target population. Our approach is model-free but can also
incorporate moments or any other important functions of covariates that the
researcher desires to balance. We find that the causal optimal transport
outperforms competitor methods when both the propensity score and outcome
models are misspecified, indicating it is a robust alternative to common
weighting methods. Finally, we demonstrate the utility of our method in an
external control study examining the effect of misoprostol versus oxytocin for
treatment of post-partum hemorrhage.
- Abstract（参考訳）: 重み付け法は因果効果の推定を偏りなくするための一般的なツールである。
そして、異なるように見える方法が増えているが、その多くが一つの統一体制(因果的最適輸送)に折り畳むことができる。
本手法は, 処理群と制御群間の最適な輸送距離を最小化することにより, 直接分布バランスを目標とする。
我々のアプローチはモデルフリーであるが、研究者がバランスをとろうとするモーメントや他の重要な共変量関数を組み込むこともできる。
因果的最適輸送は、確率スコアと結果モデルの両方が誤特定された場合に競合する手法よりも優れており、一般的な重み付け法に対する堅牢な代替手段であることを示す。
以上の結果から,ミソプロストロールとオキシトシンの併用による出血後治療効果について検討した。
関連論文リスト
- Optimal Transport for Treatment Effect Estimation [42.50410909962438]
観測データから条件平均処理効果を推定することは, 処理選択バイアスが存在するため, 極めて困難である。
代表的な方法は、潜在空間における異なる処理群の分布を整列させることによってこの問題を軽減することである。
本稿では,因果関係の文脈において最適な輸送手段であるEntire Space CounterFactual Regression (ESCFR)を提案する。
論文 参考訳（メタデータ） (2023-10-27T17:22:45Z) - Asymptotically Unbiased Synthetic Control Methods by Distribution Matching [14.030354616779325]
既存の合成制御法(SCM)は内在性問題、未処理単位の結果と合成制御の誤差項との相関に悩まされ、処理効果推定器のバイアスが生じる。
本研究では,非処理単位の接合密度の重み付き平均により,処理単位の結果の密度を近似できると仮定して,密度マッチングに基づく新しいSCMを提案する。
論文 参考訳（メタデータ） (2023-07-20T15:52:22Z) - Neural Unbalanced Optimal Transport via Cycle-Consistent Semi-Couplings [10.47175870857988]
我々は、半カップリングの形式に依存して質量の生成と破壊を考慮に入れた、神経的不均衡OTの定式化であるNubOTを紹介する。
本手法は, がん細胞株の様々な薬物に対する不均一反応を予測するための課題に応用する。
論文 参考訳（メタデータ） (2022-09-30T17:48:04Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T01:23:54Z) - Undersmoothing Causal Estimators with Generative Trees [0.0]
観察データから個別に治療効果を推定することで、標的となる介入の可能性を解き放つことができる。
しかし、観測データからこれらの効果を推測することは困難である。
本稿では,モデルの不特定に対処する新しい生成木に基づくアプローチについて検討する。
論文 参考訳（メタデータ） (2022-03-16T11:59:38Z) - To Impute or not to Impute? -- Missing Data in Treatment Effect
Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。
本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。
私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文 参考訳（メタデータ） (2022-02-04T12:08:31Z) - 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) - Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。
提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。
2倍のロス率推定フレームワークの下では、その優位性を維持している。
論文 参考訳（メタデータ） (2020-12-26T20:15:44Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳（メタデータ） (2020-07-08T11:35:47Z) - 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) - Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。
理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文 参考訳（メタデータ） (2020-06-08T18:20:28Z)
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。