論文の概要: Partial Identification of Dose Responses with Hidden Confounders
- arxiv url: http://arxiv.org/abs/2204.11206v3
- Date: Mon, 12 Jun 2023 20:59:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 18:42:22.320590
- Title: Partial Identification of Dose Responses with Hidden Confounders
- Title（参考訳）: 隠れた共同設立者によるドーズ応答の部分的同定
- Authors: Myrl G. Marmarelis, Elizabeth Haddad, Andrew Jesson, Neda Jahanshad,
Aram Galstyan, Greg Ver Steeg
- Abstract要約: 観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。
本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。
本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
- 参考スコア（独自算出の注目度）: 25.468473751289036
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inferring causal effects of continuous-valued treatments from observational
data is a crucial task promising to better inform policy- and decision-makers.
A critical assumption needed to identify these effects is that all confounding
variables -- causal parents of both the treatment and the outcome -- are
included as covariates. Unfortunately, given observational data alone, we
cannot know with certainty that this criterion is satisfied. Sensitivity
analyses provide principled ways to give bounds on causal estimates when
confounding variables are hidden. While much attention is focused on
sensitivity analyses for discrete-valued treatments, much less is paid to
continuous-valued treatments. We present novel methodology to bound both
average and conditional average continuous-valued treatment-effect estimates
when they cannot be point identified due to hidden confounding. A
semi-synthetic benchmark on multiple datasets shows our method giving tighter
coverage of the true dose-response curve than a recently proposed continuous
sensitivity model and baselines. Finally, we apply our method to a real-world
observational case study to demonstrate the value of identifying dose-dependent
causal effects.
- Abstract（参考訳）: 継続的に評価される治療の因果効果を観察データから推測することは、政策や意思決定者により良い情報提供を約束する重要な課題である。
これらの効果を識別するのに必要となる重要な仮定は、全ての相反する変数(治療と結果の両方の因果親)が共変数として含まれていることである。
残念ながら、観測データだけでは、この基準が満足していることは確実ではない。
感度分析は、共起変数が隠れているときに因果推定に境界を与える原則的な方法を提供する。
離散値処理の感度分析に多くの注意が向けられているが、連続値処理にはそれほど注意が払われていない。
本研究では,隠れた見分けができない場合,平均値と条件値の平均値と連続値の両処理効果の推定値とを結びつける新しい手法を提案する。
複数のデータセットに対する半合成ベンチマークは,最近提案されている連続感度モデルとベースラインよりも,真の線量-応答曲線をより詳細にカバーできることを示す。
最後に,本手法を実世界の観察ケーススタディに適用し,線量依存的因果効果を同定する価値を示す。
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。