論文の概要: A Two-Stage Feature Selection Approach for Robust Evaluation of
Treatment Effects in High-Dimensional Observational Data
- arxiv url: http://arxiv.org/abs/2111.13800v2
- Date: Tue, 12 Mar 2024 17:25:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 02:58:38.730297
- Title: A Two-Stage Feature Selection Approach for Robust Evaluation of
Treatment Effects in High-Dimensional Observational Data
- Title（参考訳）: 三次元観測データにおける治療効果のロバスト評価のための2段階特徴選択手法
- Authors: Md Saiful Islam, Sahil Shikalgar, Md. Noor-E-Alam
- Abstract要約: 我々は,OAENet(Outcome Adaptive Elastic Net)と呼ばれる新しい2段階特徴選択手法を提案する。
OAENetは、マッチング技術を用いて堅牢な因果推論決定を行うように設計されている。
シミュレーションデータに関する数値実験により、OAENetは最先端の手法を大きく上回っていることが示された。
- 参考スコア（独自算出の注目度）: 1.4710887888397084
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A Randomized Control Trial (RCT) is considered as the gold standard for
evaluating the effect of any intervention or treatment. However, its
feasibility is often hindered by ethical, economical, and legal considerations,
making observational data a valuable alternative for drawing causal
conclusions. Nevertheless, healthcare observational data presents a difficult
challenge due to its high dimensionality, requiring careful consideration to
ensure unbiased, reliable, and robust causal inferences. To overcome this
challenge, in this study, we propose a novel two-stage feature selection
technique called, Outcome Adaptive Elastic Net (OAENet), explicitly designed
for making robust causal inference decisions using matching techniques. OAENet
offers several key advantages over existing methods: superior performance on
correlated and high-dimensional data compared to the existing methods and the
ability to select specific sets of variables (including confounders and
variables associated only with the outcome). This ensures robustness and
facilitates an unbiased estimate of the causal effect. Numerical experiments on
simulated data demonstrate that OAENet significantly outperforms
state-of-the-art methods by either producing a higher-quality estimate or a
comparable estimate in significantly less time. To illustrate the applicability
of OAENet, we employ large-scale US healthcare data to estimate the effect of
Opioid Use Disorder (OUD) on suicidal behavior. When compared to competing
methods, OAENet closely aligns with existing literature on the relationship
between OUD and suicidal behavior. Performance on both simulated and real-world
data highlights that OAENet notably enhances the accuracy of estimating
treatment effects or evaluating policy decision-making with causal inference.
- Abstract（参考訳）: ランダム化制御試験(rct)は、あらゆる介入や治療の効果を評価するための金本位制であると考えられている。
しかし、その実現可能性はしばしば倫理的、経済的、法的な考慮によって妨げられ、観察データは因果的結論を引き出す貴重な代替手段となる。
それでも、医療観察データは、その高次元性のために困難であり、不偏で信頼性があり、堅牢な因果推論を保証するために慎重に考慮する必要がある。
この課題を克服するため,本研究では,マッチング技術を用いた因果推論の堅牢化を目的とした2段階特徴選択手法であるOutcome Adaptive Elastic Net(OAENet)を提案する。
OAENetは、既存のメソッドと比較して相関データと高次元データの優れたパフォーマンス、特定の変数(共同設立者や結果のみに関連する変数を含む)を選択する能力など、既存のメソッドに対するいくつかの重要な利点を提供している。
これにより堅牢性が保証され、因果効果の偏りのない推定が容易になる。
シミュレーションデータに関する数値実験により、OAENetは高い品質の見積や同等の見積を極めて少ない時間で生成することで最先端の手法を著しく上回ることを示した。
OAENetの適用性を説明するために,Opioid Use Disorder (OUD) が自殺行動に与える影響を推定するために,米国の大規模医療データを用いた。
競合する手法と比較すると、oaenet は oud と自殺行動の関係に関する既存の文献と密接に一致している。
シミュレーションデータと実世界のデータの両方のパフォーマンスは、OAENetが治療効果の推定や因果推論による政策決定の精度を著しく向上していることを強調している。
関連論文リスト
- C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。
本稿では,C-XGBoost という新たな因果推論モデルを提案する。
論文 参考訳（メタデータ） (2024-03-31T17:43:37Z) - 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) - 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)
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。