論文の概要: Conditional Cross-Design Synthesis Estimators for Generalizability in Medicaid

• arxiv url: http://arxiv.org/abs/2109.13288v1
• Date: Mon, 27 Sep 2021 18:20:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 14:40:01.450708
• Title: Conditional Cross-Design Synthesis Estimators for Generalizability in Medicaid
• Title（参考訳）: メディケイドの一般化のための条件付きクロスデザイン合成推定器
• Authors: Irina Degtiar, Tim Layton, Jacob Wallace, and Sherri Rose
• Abstract要約: 本稿では,ランダム化データと観測データを組み合わせた新しい条件付きクロスデザイン合成推定器を提案する。 ニューヨーク市のメディケイド受給者の医療費に対する管理ケアプランの因果効果を推定するために,これらの手法を適用した。
• 参考スコア（独自算出の注目度）: 0.1259953341639576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While much of the causal inference literature has focused on addressing internal validity biases, both internal and external validity are necessary for unbiased estimates in a target population of interest. However, few generalizability approaches exist for estimating causal quantities in a target population when the target population is not well-represented by a randomized study but is reflected when additionally incorporating observational data. To generalize to a target population represented by a union of these data, we propose a class of novel conditional cross-design synthesis estimators that combine randomized and observational data, while addressing their respective biases. The estimators include outcome regression, propensity weighting, and double robust approaches. All use the covariate overlap between the randomized and observational data to remove potential unmeasured confounding bias. We apply these methods to estimate the causal effect of managed care plans on health care spending among Medicaid beneficiaries in New York City.
• Abstract（参考訳）: 因果推論文献の多くは内的妥当性バイアスに焦点が当てられているが、対象集団における不偏推定には内的・外的妥当性の両方が必要である。 しかし, 対象個体群がランダム化研究によって適切に表現されていない場合に, 対象個体群の因果量推定のための一般化可能性のアプローチはほとんど存在しない。 これらのデータの結合によって表される対象人口に一般化するために,ランダム化データと観測データを組み合わせた新しい条件付きクロスデザイン合成推定器のクラスを提案する。 推定には、アウトカム回帰、拡張度重み付け、ダブルロバストなアプローチが含まれる。 全てはランダムデータと観測データの間の共変重なりを使い、潜在的に測定されていない共変バイアスを取り除く。 これらの方法を用いて,ニューヨーク市の医療受益者の医療費に対する管理ケア計画の因果効果を推定する。

関連論文リスト

• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Federated Causal Inference in Heterogeneous Observational Data [13.460660554484512]
  我々は、複数のサイトにおいて、各サイトごとにデータをローカルに保存している個人に対して、治療の効果を推定することに興味がある。 プライバシー上の制約により、個々のレベルのデータはサイト間で共有できない。 これらの考察により,総合データの平均処理効果を推定するフェデレーション手法を開発した。
  論文  参考訳（メタデータ） (2021-07-25T05:55:00Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• A Review of Generalizability and Transportability [0.18275108630751835]
  ランダム化されたデータからの見積もりは内部的妥当性を持つが、しばしば対象人口を表すものではない。 観測データは対象の個体群をよりよく反映し、したがって外的妥当性が高いが、未測定の埋没により潜在的なバイアスにさらされる可能性がある。 本稿では,一般化可能性と可搬性に対するアプローチの合成を含む外部妥当性バイアスに対処するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-23T19:34:13Z)
• Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions [15.443178111068418]
  本研究は,予防的介入の可能性が最も高い個人をランク付けする分割処理分析法を提案する。 プロキシ処理に基づく異種因果効果のランキングは,対象治療の効果に基づく順位と同じであることを示す。
  論文  参考訳（メタデータ） (2020-11-11T16:17:29Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Assessing External Validity Over Worst-case Subpopulations [8.98526174345299]
  研究は一般に、空間と時間の限られた点からサンプリングされる。 本研究は, 与えられた大きさの全てのサブ集団における最悪の治療効果 (WTE) を提案し, 評価する。 平均処理効果に対する逆相関重み付き推定器の外部妥当性を解析する半パラメトリック効率なWTE推定器を開発した。
  論文  参考訳（メタデータ） (2020-07-05T18:34:14Z)
• 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)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。