論文の概要: Assessment of Treatment Effect Estimators for Heavy-Tailed Data
- arxiv url: http://arxiv.org/abs/2112.07602v1
- Date: Tue, 14 Dec 2021 17:53:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 17:24:47.370274
- Title: Assessment of Treatment Effect Estimators for Heavy-Tailed Data
- Title(参考訳): ヘビーテールデータに対する治療効果推定器の評価
- Authors: Nilesh Tripuraneni, Dhruv Madeka, Dean Foster, Dominique
Perrault-Joncas, Michael I. Jordan
- Abstract要約: ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
- 参考スコア(独自算出の注目度): 70.72363097550483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A central obstacle in the objective assessment of treatment effect (TE)
estimators in randomized control trials (RCTs) is the lack of ground truth (or
validation set) to test their performance. In this paper, we provide a novel
cross-validation-like methodology to address this challenge. The key insight of
our procedure is that the noisy (but unbiased) difference-of-means estimate can
be used as a ground truth "label" on a portion of the RCT, to test the
performance of an estimator trained on the other portion. We combine this
insight with an aggregation scheme, which borrows statistical strength across a
large collection of RCTs, to present an end-to-end methodology for judging an
estimator's ability to recover the underlying treatment effect. We evaluate our
methodology across 709 RCTs implemented in the Amazon supply chain. In the
corpus of AB tests at Amazon, we highlight the unique difficulties associated
with recovering the treatment effect due to the heavy-tailed nature of the
response variables. In this heavy-tailed setting, our methodology suggests that
procedures that aggressively downweight or truncate large values, while
introducing bias lower the variance enough to ensure that the treatment effect
is more accurately estimated.
- Abstract(参考訳): ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
本稿では,この課題に対処する新しいクロスバリデーション的手法を提案する。
提案手法の重要な洞察は,ノイズ(偏りのない)差分推定をRCTの一部の「ラベル」として用いることで,他の部分で訓練された推定器の性能をテストすることである。
本研究では, この知見を, RCT の集合全体にわたる統計的強度を借用した集約手法と組み合わせ, 基礎となる治療効果を推定するエンド・ツー・エンド手法を提案する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
amazonでのabテストのコーパスでは、応答変数の重み付き性質による治療効果の回復に伴う独特の困難を強調する。
この重み付け設定では, 治療効果がより正確に評価されるように, 偏差を十分に低く抑えながら, 重み付けや大きな値の切り落しを積極的に行う手法が提案されている。
関連論文リスト
- Continuous Treatment Effect Estimation Using Gradient Interpolation and
Kernel Smoothing [43.259723628010896]
個人を個別に標本化し,反現実的結果を推測する直接的アプローチを提唱する。
提案手法を5つのベンチマークで評価し,提案手法が6つの最先端手法よりも精度が高いことを示す。
論文 参考訳(メタデータ) (2024-01-27T15:52:58Z) - 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) - 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) - Improved Policy Evaluation for Randomized Trials of Algorithmic Resource
Allocation [54.72195809248172]
提案する新しい概念を応用した新しい推定器を提案する。
我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
論文 参考訳(メタデータ) (2023-02-06T05:17:22Z) - 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) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳(メタデータ) (2022-01-15T17:21:26Z) - Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。
提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。
2倍のロス率推定フレームワークの下では、その優位性を維持している。
論文 参考訳(メタデータ) (2020-12-26T20:15:44Z) - 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) - 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) - 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。