論文の概要: Efficient Learning of Optimal Individualized Treatment Rules for
Heteroscedastic or Misspecified Treatment-Free Effect Models
- arxiv url: http://arxiv.org/abs/2109.02570v1
- Date: Mon, 6 Sep 2021 16:11:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-07 19:24:35.930207
- Title: Efficient Learning of Optimal Individualized Treatment Rules for
Heteroscedastic or Misspecified Treatment-Free Effect Models
- Title（参考訳）: ヘテロセダスティック・ミス特定処理自由効果モデルのための最適個別化処理規則の効率的な学習
- Authors: Weibin Mo and Yufeng Liu
- Abstract要約: マルチアーム処理環境において最適な個別化処理規則(ITR)を求めるための効率的な学習フレームワークを提案する。
提案したE-Learningは,非治療効果の誤特定を許容する半パラメトリック推定の正規クラスの中で最適であることを示す。
- 参考スコア（独自算出の注目度）: 3.7311680121118345
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recent development in data-driven decision science has seen great advances in
individualized decision making. Given data with individual covariates,
treatment assignments and outcomes, researchers can search for the optimal
individualized treatment rule (ITR) that maximizes the expected outcome.
Existing methods typically require initial estimation of some nuisance models.
The double robustness property that can protect from misspecification of either
the treatment-free effect or the propensity score has been widely advocated.
However, when model misspecification exists, a doubly robust estimate can be
consistent but may suffer from downgraded efficiency. Other than potential
misspecified nuisance models, most existing methods do not account for the
potential problem when the variance of outcome is heterogeneous among
covariates and treatment. We observe that such heteroscedasticity can greatly
affect the estimation efficiency of the optimal ITR. In this paper, we
demonstrate that the consequences of misspecified treatment-free effect and
heteroscedasticity can be unified as a covariate-treatment dependent variance
of residuals. To improve efficiency of the estimated ITR, we propose an
Efficient Learning (E-Learning) framework for finding an optimal ITR in the
multi-armed treatment setting. We show that the proposed E-Learning is optimal
among a regular class of semiparametric estimates that can allow treatment-free
effect misspecification. In our simulation study, E-Learning demonstrates its
effectiveness if one of or both misspecified treatment-free effect and
heteroscedasticity exist. Our analysis of a Type 2 Diabetes Mellitus (T2DM)
observational study also suggests the improved efficiency of E-Learning.
- Abstract（参考訳）: データ駆動型意思決定科学の最近の発展は、個別化意思決定において大きな進歩を見せている。
個々の共変量、治療課題、結果のデータを与えられた研究者は、期待される結果を最大化する最適な個別化治療規則(ITR)を探索することができる。
既存の手法は通常、いくつかのニュアサンスモデルの初期推定を必要とする。
治療自由効果または適合度スコアの誤特定から保護できる二重頑健性特性が広く提唱されている。
しかし、モデル誤特定が存在する場合、二重ロバストな推定は一貫性があるが、劣化した効率に苦しむ可能性がある。
潜在的な不特定のニュアサンスモデルを除いて、既存の手法の多くは、結果のばらつきが共変量と処理の間で異質である場合の潜在的な問題を考慮しない。
このような不均一性は最適ITRの推定効率に大きな影響を与える。
本稿では,非特異な処理効果と不均一性の結果を共変量依存的残基の分散として統一できることを実証する。
推定ITRの効率を向上させるために,マルチアーム処理環境における最適ITRを見つけるための効率的な学習(Eラーニング)フレームワークを提案する。
提案したE-Learningは,非治療効果の誤特定を許容する半パラメトリック推定の正規クラスの中で最適であることを示す。
シミュレーション研究により,不特定な治療フリー効果と異種性が存在する場合,その効果が実証された。
また,T2DM(Type 2 Diabetes Mellitus)の観察結果から,E-Learningの有効性が示唆された。
関連論文リスト
- Efficient adjustment for complex covariates: Gaining efficiency with
DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文 参考訳（メタデータ） (2024-02-20T13:02:51Z) - A Weighted Prognostic Covariate Adjustment Method for Efficient and
Powerful Treatment Effect Inferences in Randomized Controlled Trials [0.28087862620958753]
ランダム化制御試験(RCT)の重要な課題は、効率的な推定器と治療効果の強力な試験を得られる統計手法を特定することである。
過去の制御データに基づいて生成AIアルゴリズムを訓練することにより、RDT参加者のためのデジタルツインジェネレータ(DTG)を構築することができる。
DTGは、RTT参加者の潜在的制御結果の確率分布を生成する。
論文 参考訳（メタデータ） (2023-09-25T16:14:13Z) - Efficient estimation of weighted cumulative treatment effects by
double/debiased machine learning [3.086361225427304]
重み付き累積因果効果に対する一段階のクロスフィット型2重/脱バイアス型機械学習推定器を提案する。
本稿では,イギリスのプライマリ・ケア・データベースからの実世界観測データに提案手法を適用し,抗糖尿病薬のがん効果の比較を行った。
論文 参考訳（メタデータ） (2023-05-03T18:19:18Z) - 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) - 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) - 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) - 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) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z)
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。