論文の概要: Predicting treatment effects from observational studies using machine
learning methods: A simulation study
- arxiv url: http://arxiv.org/abs/2112.12083v1
- Date: Mon, 20 Dec 2021 08:40:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 15:09:20.484377
- Title: Predicting treatment effects from observational studies using machine
learning methods: A simulation study
- Title（参考訳）: 機械学習を用いた観察的研究による治療効果の予測:シミュレーションによる検討
- Authors: Bevan I. Smith and Charles Chimedza
- Abstract要約: 近年の文献では、機械学習を用いて観測研究における反事実を予測する新しい手法が提示されている。
本研究は,2つのシナリオをシミュレートして,本手法の有効性を検討することを目的とした。
この機械学習手法がうまく機能するかどうかにおいて最も重要な要素は、データの非線形性の度合いである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Measuring treatment effects in observational studies is challenging because
of confounding bias. Confounding occurs when a variable affects both the
treatment and the outcome. Traditional methods such as propensity score
matching estimate treatment effects by conditioning on the confounders. Recent
literature has presented new methods that use machine learning to predict the
counterfactuals in observational studies which then allow for estimating
treatment effects. These studies however, have been applied to real world data
where the true treatment effects have not been known. This study aimed to study
the effectiveness of this counterfactual prediction method by simulating two
main scenarios: with and without confounding. Each type also included linear
and non-linear relationships between input and output data. The key item in the
simulations was that we generated known true causal effects. Linear regression,
lasso regression and random forest models were used to predict the
counterfactuals and treatment effects. These were compared these with the true
treatment effect as well as a naive treatment effect. The results show that the
most important factor in whether this machine learning method performs well, is
the degree of non-linearity in the data. Surprisingly, for both non-confounding
\textit{and} confounding, the machine learning models all performed well on the
linear dataset. However, when non-linearity was introduced, the models
performed very poorly. Therefore under the conditions of this simulation study,
the machine learning method performs well under conditions of linearity, even
if confounding is present, but at this stage should not be trusted when
non-linearity is introduced.
- Abstract（参考訳）: 観察研究における治療効果の測定は, 偏りが原因で困難である。
相違は、ある変数が治療と結果の両方に影響を及ぼすときに起こる。
コンディショニングによって治療効果を推定するプロペンシティスコアマッチングのような伝統的な方法。
近年の文献では、機械学習を用いて観察研究の反事実を予測し、治療効果を推定する手法が提案されている。
しかしこれらの研究は、真の治療効果が知られていない実世界データに適用されている。
本研究は,2つの主要なシナリオを共起することなくシミュレーションし,本手法の有効性を検討することを目的とした。
各タイプには、入力データと出力データの間の線形および非線形関係も含まれていた。
シミュレーションの重要項目は、既知の真の因果効果を生成したことです。
リニア回帰,ラッソ回帰,ランダム森林モデルを用いて,対策効果と治療効果を予測した。
これらの結果から, 真の治療効果とナイーブな治療効果を比較した。
その結果、この機械学習手法が有効であるかどうかの最も重要な要因は、データの非線形性の度合いであることがわかった。
驚くべきことに、非確立の \textit{and} コンファウンディングでは、マシンラーニングモデルはすべて、線形データセット上でうまく動作します。
しかし、非線形性が導入されると、モデルは非常に性能が悪かった。
したがって, このシミュレーション研究の条件下では, 共起が存在する場合でも, 線形性の条件下では機械学習手法が良好に機能するが, この段階では非線形性を導入しても信頼できない。
関連論文リスト
- Estimating Causal Effects with Double Machine Learning -- A Method Evaluation [5.904095466127043]
DML(Double/Debiased Machine Learning)の最も顕著な手法の1つについてレビューする。
この結果から, DML 内でのフレキシブルな機械学習アルゴリズムの適用により, 様々な非線形共起関係の調整が向上することが示唆された。
大気汚染が住宅価格に与える影響を推定すると、DMLの見積もりは柔軟性の低い方法の推定よりも一貫して大きいことが分かる。
論文 参考訳（メタデータ） (2024-03-21T13:21:33Z) - Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
本研究では,不正確な連続処理変数を仮定するモデルを提案する。
我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。
我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
論文 参考訳（メタデータ） (2023-06-18T18:38:10Z) - Efficient estimation of weighted cumulative treatment effects by
double/debiased machine learning [3.086361225427304]
重み付き累積因果効果に対する一段階のクロスフィット型2重/脱バイアス型機械学習推定器を提案する。
本稿では,イギリスのプライマリ・ケア・データベースからの実世界観測データに提案手法を適用し,抗糖尿病薬のがん効果の比較を行った。
論文 参考訳（メタデータ） (2023-05-03T18:19:18Z) - 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) - Data-Driven Estimation of Heterogeneous Treatment Effects [15.140272661540655]
異種治療効果推定(ヘテロジニアス・エフェクト・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント)は、経験科学において重要な問題である。
機械学習を用いた不均一な処理効果推定のための最先端データ駆動手法について調査する。
論文 参考訳（メタデータ） (2023-01-16T21:36:49Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Combining Observational and Randomized Data for Estimating Heterogeneous
Treatment Effects [82.20189909620899]
不均一な治療効果を推定することは、多くの領域において重要な問題である。
現在、現存するほとんどの作品は観測データにのみ依存している。
本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
論文 参考訳（メタデータ） (2022-02-25T18:59:54Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。
変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T13:46:12Z) - 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) - 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)
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。