論文の概要: Feature Selection for Causal Inference from High Dimensional
Observational Data with Outcome Adaptive Elastic Net
- arxiv url: http://arxiv.org/abs/2111.13800v1
- Date: Sat, 27 Nov 2021 02:54:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 15:37:15.831648
- Title: Feature Selection for Causal Inference from High Dimensional
Observational Data with Outcome Adaptive Elastic Net
- Title(参考訳): 出力適応弾性ネットを用いた高次元観測データからの因果推論の特徴選択
- Authors: Md Saiful Islam, Md. Noor-E-Alam
- Abstract要約: 因果推論に特化して設計された出力適応型弾性ネット(OAENet)手法を提案する。
OAENetは、既存の手法よりも2つの大きな利点を提供している。
- 参考スコア(独自算出の注目度): 2.8808678188754637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feature selection is an extensively studied technique in the machine learning
literature where the main objective is to identify the subset of features that
provides the highest predictive power. However, in causal inference, our goal
is to identify the set of variables that are associated with both the treatment
variable and outcome (i.e., the confounders). While controlling for the
confounding variables helps us to achieve an unbiased estimate of causal
effect, recent research shows that controlling for purely outcome predictors
along with the confounders can reduce the variance of the estimate. In this
paper, we propose an Outcome Adaptive Elastic-Net (OAENet) method specifically
designed for causal inference to select the confounders and outcome predictors
for inclusion in the propensity score model or in the matching mechanism.
OAENet provides two major advantages over existing methods: it performs
superiorly on correlated data, and it can be applied to any matching method and
any estimates. In addition, OAENet is computationally efficient compared to
state-of-the-art methods.
- Abstract(参考訳): 機能選択(feature selection)は、最も高い予測力を提供する機能のサブセットを特定することを目的として、機械学習文献で広く研究されているテクニックである。
しかし、因果推論では、治療変数と結果(つまり共同設立者)の両方に関連付けられた変数のセットを特定することが目標です。
共起変数の制御は因果効果の偏りのない推定値を達成するのに有効であるが,最近の研究では,共同設立者とともに純粋に結果予測因子の制御が推定値のばらつきを低減できることが示されている。
本稿では,因果推論に特化して設計した Outcome Adaptive Elastic-Net (OAENet) 手法を提案する。
OAENetは既存の手法に対して2つの大きな利点を提供している。
さらに、oaenetは最先端の手法と比較して計算効率が良い。
関連論文リスト
- Targeted Machine Learning for Average Causal Effect Estimation Using the
Front-Door Functional [3.0232957374216953]
結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。
本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。
本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
論文 参考訳(メタデータ) (2023-12-15T22:04:53Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳(メタデータ) (2023-07-11T02:58:10Z) - A Causal Inference Framework for Leveraging External Controls in Hybrid
Trials [1.7942265700058988]
ランダム化トライアルのデータを外部ソースの制御データで拡張した環境での因果推論に関わる課題を考察する。
提案手法は, 推定器, 評価効率境界, および効率的な2次ロバスト推定のためのアプローチである。
筋萎縮性筋萎縮症の運動機能に対するrisdisplamの効果について検討した。
論文 参考訳(メタデータ) (2023-05-15T19:15:32Z) - 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) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳(メタデータ) (2023-01-20T20:14:32Z) - CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data [61.088705993848606]
本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。
CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
論文 参考訳(メタデータ) (2022-10-31T13:04:07Z) - Demarcating Endogenous and Exogenous Opinion Dynamics: An Experimental
Design Approach [27.975266406080152]
本稿では,実験的な設計手法に基づく教師なし分類手法のスイートを設計する。
平均推定誤差の異なる測度を最小化するイベントのサブセットを選択することを目的としている。
我々の実験は、不衛生事象や衛生事象に対する予測性能の検証から、様々な大きさの最適なサブセットを選択する効果の検証まで多岐にわたる。
論文 参考訳(メタデータ) (2021-02-11T11:38:15Z) - Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。
我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文 参考訳(メタデータ) (2020-11-17T16:28:43Z) - 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) - Decomposed Adversarial Learned Inference [118.27187231452852]
我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。
DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。
MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
論文 参考訳(メタデータ) (2020-04-21T20:00:35Z) - On the role of surrogates in the efficient estimation of treatment
effects with limited outcome data [60.523606291705214]
一次関心の結果がほとんど観察されない場合, 治療効果を推定する問題について検討した。
平均治療効果(ATE)の半パラメトリック下限は,サロゲートの存在と非存在の両方で導かれる。
本稿では,フレキシブルな機械学習手法に基づくATE推定器と推論手法を提案し,ニュアンスパラメータを推定する。
論文 参考訳(メタデータ) (2020-03-27T13:31:49Z)
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。