論文の概要: Estimating Conditional Average Treatment Effects with Missing Treatment Information

• arxiv url: http://arxiv.org/abs/2203.01422v1
• Date: Wed, 2 Mar 2022 21:23:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 14:32:27.220370
• Title: Estimating Conditional Average Treatment Effects with Missing Treatment Information
• Title（参考訳）: 欠損治療情報を用いた条件平均処理効果の推定
• Authors: Milan Kuzmanovic, Tobias Hatt, Stefan Feuerriegel
• Abstract要約: 治療情報不足時に条件平均治療効果(CATE)を推定することは困難である。 本稿では,欠損治療によるCATE推定について分析する。 我々は,新しいCATE推定アルゴリズムであるMTRNetを開発した。
• 参考スコア（独自算出の注目度）: 20.83151214072516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating conditional average treatment effects (CATE) is challenging, especially when treatment information is missing. Although this is a widespread problem in practice, CATE estimation with missing treatments has received little attention. In this paper, we analyze CATE estimation in the setting with missing treatments where, thus, unique challenges arise in the form of covariate shifts. We identify two covariate shifts in our setting: (i) a covariate shift between the treated and control population; and (ii) a covariate shift between the observed and missing treatment population. We first theoretically show the effect of these covariate shifts by deriving a generalization bound for estimating CATE in our setting with missing treatments. Then, motivated by our bound, we develop the missing treatment representation network (MTRNet), a novel CATE estimation algorithm that learns a balanced representation of covariates using domain adaptation. By using balanced representations, MTRNet provides more reliable CATE estimates in the covariate domains where the data are not fully observed. In various experiments with semi-synthetic and real-world data, we show that our algorithm improves over the state-of-the-art by a substantial margin.
• Abstract（参考訳）: 条件平均治療効果(CATE)の推定は特に治療情報が欠落している場合に困難である。 これは実際は広く行われている問題であるが、欠損治療によるCATE推定はほとんど注目されていない。 本稿では,共変量シフトの形でCATE推定を行う際,CATE推定の難易度を解析し,一意な課題を生じさせる。 私たちの設定では 2つの共変量シフトを識別します (i)被処理者と対照者との間の共変量シフト (II)観察群と欠失群の間の共変量の変化。 まず、これらの共変量シフトの効果を、欠損治療によるCATE推定の一般化を導出することにより、理論的に示す。 次に,この境界に動機づけられ,領域適応を用いて共変量の平衡表現を学習する新しいカテゴリー推定アルゴリズムmtrnetを開発した。 バランスの取れた表現を使用することで、MTRNetはデータが完全に観察されていない共変量領域においてより信頼性の高いCATE推定を提供する。 半合成データと実世界のデータを用いた様々な実験において,本アルゴリズムが最先端技術よりも大幅に改善することを示す。

関連論文リスト

• Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning [0.0]
  本稿では,連続処理と複数期間の差分差分法(DiD)を提案する。 本フレームワークは,2つの非ゼロ治療用量の比較において,平均治療効果(ATET)を評価する。
  論文  参考訳（メタデータ） (2024-10-28T15:10:43Z)
• Estimating Conditional Average Treatment Effects via Sufficient Representation Learning [31.822980052107496]
  本稿では,その特徴を十分に表現するためにtextbfCrossNet という新しいニューラルネットワークアプローチを提案し,条件平均処理効果(CATE)を推定する。 数値シミュレーションと実験により,本手法が競合手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-30T07:23:59Z)
• 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)
• Adversarially Balanced Representation for Continuous Treatment Effect Estimation [6.469020202994118]
  本稿では,この処理が連続変数である,より実践的で困難なシナリオについて考察する。 本稿では,KL分散の表現の不均衡を対角的に最小化する対向反事実回帰ネットワーク(ACFR)を提案する。 半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を実証するものである。
  論文  参考訳（メタデータ） (2023-12-17T00:46:16Z)
• 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)
• 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)
• 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)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  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。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• 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)

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。