論文の概要: Bounding the Effects of Continuous Treatments for Hidden Confounders
- arxiv url: http://arxiv.org/abs/2204.11206v1
- Date: Sun, 24 Apr 2022 07:02:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 13:46:59.592094
- Title: Bounding the Effects of Continuous Treatments for Hidden Confounders
- Title（参考訳）: 隠れた共同創設者に対する連続治療の効果
- Authors: Myrl G. Marmarelis, Greg Ver Steeg, Aram Galstyan
- Abstract要約: 因果推論は、共同創設者のものと異なる治療変数による効果のゆがみを伴う。
本研究では,部分同定された線量応答曲線の無知区間を計算するためのフレームワークを開発する。
- 参考スコア（独自算出の注目度）: 30.64702411507204
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal inference involves the disentanglement of effects due to a treatment
variable from those of confounders, observed as covariates or not. Since one
outcome is ever observed at a time, the problem turns into one of predicting
counterfactuals on every individual in the dataset. Observational studies
complicate this endeavor by permitting dependencies between the treatment and
other variables in the sample. If the covariates influence the propensity of
treatment, then one suffers from covariate shift. Should the outcome and the
treatment be affected by another variable even after accounting for the
covariates, there is also hidden confounding. That is immeasurable by
definition. Rather, one must study the worst possible consequences of bounded
levels of hidden confounding on downstream decision-making. We explore this
problem in the case of continuous treatments. We develop a framework to compute
ignorance intervals on the partially identified dose-response curves, which
enable us to quantify the susceptibility of our inference to hidden
confounders. Our method is supported by simulations as well as empirical tests
based on two observational studies.
- Abstract（参考訳）: 因果推論(英: Causal inference)とは、共同設立者に対する治療変数による効果の歪曲である。
1度に1つの結果が観測されるため、この問題はデータセット内の各個人に対して反事実を予測する1つに変わる。
観察的研究は、この試みを複雑にし、治療とサンプル内の他の変数間の依存関係を許容する。
共変体が治療の妥当性に影響を与える場合、共変体シフトに苦しむ。
結果と治療が共変量を考慮した後でも他の変数によって影響を受ける場合、隠れた混在も生じる。
それは定義で測れない。
むしろ、下流の意思決定において隠れた共起の限界レベルの最悪の結果を研究する必要がある。
我々はこの問題を連続治療の場合に検討する。
本研究では,部分同定された線量応答曲線の無知区間を計算し,隠れた共同設立者に対する推論の感受性を定量化する枠組みを開発した。
本手法は2つの観測実験に基づく実証実験と同様にシミュレーションによって支援されている。
関連論文リスト
- Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。
医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。
このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
論文 参考訳（メタデータ） (2024-11-05T18:14:49Z) - Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。
ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
論文 参考訳（メタデータ） (2024-10-21T07:24:26Z) - On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Sharp Bounds for Generalized Causal Sensitivity Analysis [30.77874108094485]
観測不能なコンバウンディング下での因果感度解析のための統一的な枠組みを提案する。
これには、(条件付き)平均治療効果、媒介分析および経路分析に対する効果、分布効果が含まれる。
我々の(条件付き)平均治療効果の限界は、因果感受性分析の最近の最適結果と一致する。
論文 参考訳（メタデータ） (2023-05-26T14:44:32Z) - 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) - Scalable Sensitivity and Uncertainty Analysis for Causal-Effect
Estimates of Continuous-Valued Interventions [34.19821413853115]
観測データから継続的に評価された介入の効果を推定することは、気候科学、医療、経済学などの分野において極めて重要である。
我々は, 連続処理効果限界感度モデル(CMSM)を開発し, 観測データと研究者が定義した隠れ共役レベルの両方に適合する境界を導出する。
本研究では,これらの境界を高次元・大局的な観測データに対して効率的に推定するために,境界と不確実性を考慮した深部モデルを導出するスケーラブルなアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-04-21T11:15:10Z) - 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) - 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) - Conformal Inference of Counterfactuals and Individual Treatment Effects [6.810856082577402]
そこで本研究では,反ファクトや個々の治療効果について,信頼できる間隔を推定できる共形推論に基づく手法を提案する。
既存の手法は、単純なモデルであってもかなりのカバレッジの欠陥に悩まされる。
論文 参考訳（メタデータ） (2020-06-11T01:03:32Z)
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。