論文の概要: Dimension-Free Average Treatment Effect Inference with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2112.01574v1
• Date: Thu, 2 Dec 2021 19:28:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 15:24:22.885923
• Title: Dimension-Free Average Treatment Effect Inference with Deep Neural Networks
• Title（参考訳）: 深層ニューラルネットワークを用いた次元フリー平均治療効果推定
• Authors: Xinze Du, Yingying Fan, Jinchi Lv, Tianshu Sun and Patrick Vossler
• Abstract要約: 本稿では,Deep Neural Network (DNN) を用いた平均治療効果 (ATE) の推定と推定について検討する。 本稿では, ATE の DNN 推定値と次元自由整合率との整合性を示す。
• 参考スコア（独自算出の注目度）: 6.704751710867747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the estimation and inference of the average treatment effect (ATE) using deep neural networks (DNNs) in the potential outcomes framework. Under some regularity conditions, the observed response can be formulated as the response of a mean regression problem with both the confounding variables and the treatment indicator as the independent variables. Using such formulation, we investigate two methods for ATE estimation and inference based on the estimated mean regression function via DNN regression using a specific network architecture. We show that both DNN estimates of ATE are consistent with dimension-free consistency rates under some assumptions on the underlying true mean regression model. Our model assumptions accommodate the potentially complicated dependence structure of the observed response on the covariates, including latent factors and nonlinear interactions between the treatment indicator and confounding variables. We also establish the asymptotic normality of our estimators based on the idea of sample splitting, ensuring precise inference and uncertainty quantification. Simulation studies and real data application justify our theoretical findings and support our DNN estimation and inference methods.
• Abstract（参考訳）: 本稿では,Deep Neural Network (DNN) を用いた平均治療効果 (ATE) の推定と推定について検討する。 いくつかの正規性条件の下では、観測された応答は、結合変数と治療指標の両方を独立変数とする平均回帰問題の応答として定式化することができる。 このような定式化を用いて、特定ネットワークアーキテクチャを用いたDNN回帰を用いた推定平均回帰関数に基づくATE推定と推定の2つの方法を検討する。 我々は, ate の dnn 推定値が, 基礎となる真の平均回帰モデルに基づくいくつかの仮定の下で, 次元フリーな一貫性率と一致することを示す。 モデル仮定は, 潜在因子や処理指標と結合変数との非線形相互作用を含む, 観測された共変量に対する応答の潜在的に複雑な依存構造に適合する。 また,標本分割の考え方に基づいて推定器の漸近正規性を確立し,正確な推論と不確実性定量化を確実にする。 シミュレーション研究と実データ応用は,我々の理論的知見を正当化し,dnn推定と推論手法をサポートする。

関連論文リスト

• Deep Learning Methods for the Noniterative Conditional Expectation G-Formula for Causal Inference from Complex Observational Data [3.0958655016140892]
  g-formula は観測データを用いて持続的治療戦略の因果効果を推定するために用いられる。 パラメトリックモデルはモデルの誤特定を受けており、バイアスのある因果推定をもたらす可能性がある。 NICE g-formula 推定器のための統合型ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-28T21:00:46Z)
• Semi-Supervised Deep Sobolev Regression: Estimation, Variable Selection and Beyond [3.782392436834913]
  本研究では,半教師付き深部ソボレフ回帰器であるSDOREを提案し,基礎となる回帰関数とその勾配を非パラメトリックに推定する。 我々は、SDOREの収束率を総合的に分析し、回帰関数の最小値の最適値を確立する。 また、重要なドメインシフトが存在する場合でも、関連するプラグイン勾配推定器の収束率を導出する。
  論文  参考訳（メタデータ） (2024-01-09T13:10:30Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Causal Effect Estimation from Observational and Interventional Data Through Matrix Weighted Linear Estimators [11.384045395629123]
  本研究では,観測データと介入データの混合から因果効果を推定する。 予測二乗誤差の統計的効率は推定器を組み合わせることで向上できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T16:16:53Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Semiparametric Regression for Spatial Data via Deep Learning [17.63607438860882]
  我々は、線形整列単位(ReLU)アクティベーション関数を持つ疎結合のディープニューラルネットワークを用いて、未知の回帰関数を推定する。 本手法は勾配勾配勾配最適化アルゴリズムにより, かなり大きなデータセットを処理できる。
  論文  参考訳（メタデータ） (2023-01-10T01:55:55Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• 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)
• Hi-CI: Deep Causal Inference in High Dimensions [23.588253984635987]
  因果効果を推定するためのディープニューラルネットワーク(DNN)ベースのフレームワークであるHi-CIを提案する。 合成および実世界のNEWSデータセットを用いたHi-CIネットワークの因果効果予測の有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-22T15:41:59Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。