論文の概要: Combining Experimental and Observational Data for Identification of
Long-Term Causal Effects
- arxiv url: http://arxiv.org/abs/2201.10743v1
- Date: Wed, 26 Jan 2022 04:21:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-27 22:19:14.784841
- Title: Combining Experimental and Observational Data for Identification of
Long-Term Causal Effects
- Title（参考訳）: 長期因果効果の同定のための実験データと観測データの組み合わせ
- Authors: AmirEmad Ghassami, Ilya Shpitser, Eric Tchetgen Tchetgen
- Abstract要約: 本研究では、観察領域と実験領域のデータを用いて、治療変数の長期的な結果変数に対する因果効果を推定するタスクについて検討する。
観測データは共起していると考えられており、さらなる仮定なしでは、このデータセットは因果推論にも使用できない。
- 参考スコア（独自算出の注目度）: 13.32091725929965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the task of estimating the causal effect of a treatment variable
on a long-term outcome variable using data from an observational domain and an
experimental domain. The observational data is assumed to be confounded and
hence without further assumptions, this dataset alone cannot be used for causal
inference. Also, only a short-term version of the primary outcome variable of
interest is observed in the experimental data, and hence, this dataset alone
cannot be used for causal inference either. In a recent work, Athey et al.
(2020) proposed a method for systematically combining such data for identifying
the downstream causal effect in view. Their approach is based on the
assumptions of internal and external validity of the experimental data, and an
extra novel assumption called latent unconfoundedness. In this paper, we first
review their proposed approach and discuss the latent unconfoundedness
assumption. Then we propose two alternative approaches for data fusion for the
purpose of estimating average treatment effect as well as the effect of
treatment on the treated. Our first proposed approach is based on assuming
equi-confounding bias for the short-term and long-term outcomes. Our second
proposed approach is based on the proximal causal inference framework, in which
we assume the existence of an extra variable in the system which is a proxy of
the latent confounder of the treatment-outcome relation.
- Abstract（参考訳）: 本研究では、観察領域と実験領域のデータを用いて、治療変数の長期的な結果変数に対する因果効果を推定するタスクを検討する。
観測データは共起していると仮定されるため、さらなる仮定なしでは、このデータセットは因果推論には使用できない。
また、実験データでは、興味のある一次結果変数の短期バージョンのみが観察されるため、このデータセットだけでは因果推論には使用できない。
最近の研究で、Athey et al. (2020) は、下流の因果効果を特定するために、そのようなデータを体系的に組み合わせる手法を提案した。
彼らのアプローチは、実験データの内部的および外部的妥当性の仮定と、潜在的未確立という新たな仮定に基づいている。
本稿ではまず,提案手法を概観し,未確立仮説について考察する。
そこで本研究では,平均治療効果と治療効果を推定するために,データ融合のための2つの代替手法を提案する。
最初の提案手法は,短期的および長期的成果に対する等価なバイアスを仮定することに基づく。
第2のアプローチは近位因果推論の枠組みに基づいており,この手法では,潜在共起者の治療・所得関係の代理人であるシステム内の余剰変数の存在を仮定する。
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) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳（メタデータ） (2023-07-31T11:28:24Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - Neighborhood Adaptive Estimators for Causal Inference under Network
Interference [152.4519491244279]
我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。
干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。
このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
論文 参考訳（メタデータ） (2022-12-07T14:53:47Z) - Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。
これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。
我々はこれらの考え方を非政治評価フレームワークに一般化する。
論文 参考訳（メタデータ） (2022-11-02T23:39:36Z) - Generalization bounds and algorithms for estimating conditional average
treatment effect of dosage [13.867315751451494]
本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。
これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。
この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
論文 参考訳（メタデータ） (2022-05-29T15:26:59Z) - 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) - What can the millions of random treatments in nonexperimental data
reveal about causes? [0.0]
この記事ではこのようなモデルとベイズ的アプローチを紹介し、非経験的データで典型的に使用可能な 1(n2)$ のペアワイズ観測を組み合わせる。
提案手法は, 一般のnswサンプル, 任意のサブポピュレーションおよび大容量スーパーサンプルにおいて, 因果効果を回復することを示す。
論文 参考訳（メタデータ） (2021-05-03T20:13:34Z) - 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) - Split-Treatment Analysis to Rank Heterogeneous Causal Effects for
Prospective Interventions [15.443178111068418]
本研究は,予防的介入の可能性が最も高い個人をランク付けする分割処理分析法を提案する。
プロキシ処理に基づく異種因果効果のランキングは,対象治療の効果に基づく順位と同じであることを示す。
論文 参考訳（メタデータ） (2020-11-11T16:17:29Z) - 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。