論文の概要: Robust and Agnostic Learning of Conditional Distributional Treatment Effects

• arxiv url: http://arxiv.org/abs/2205.11486v1
• Date: Mon, 23 May 2022 17:40:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 16:32:00.378032
• Title: Robust and Agnostic Learning of Conditional Distributional Treatment Effects
• Title（参考訳）: 条件分布処理効果のロバスト・アグノスティック学習
• Authors: Nathan Kallus and Miruna Oprescu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 62.44901952244514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The conditional average treatment effect (CATE) is the best point prediction of individual causal effects given individual baseline covariates and can help personalize treatments. However, as CATE only reflects the (conditional) average, it can wash out potential risks and tail events, which are crucially relevant to treatment choice. In aggregate analyses, this is usually addressed by measuring distributional treatment effect (DTE), such as differences in quantiles or tail expectations between treatment groups. Hypothetically, one can similarly fit covariate-conditional quantile regressions in each treatment group and take their difference, but this would not be robust to misspecification or provide agnostic best-in-class predictions. We provide a new robust and model-agnostic methodology for learning the conditional DTE (CDTE) for a wide class of problems that includes conditional quantile treatment effects, conditional super-quantile treatment effects, and conditional treatment effects on coherent risk measures given by $f$-divergences. Our method is based on constructing a special pseudo-outcome and regressing it on baseline covariates using any given regression learner. Our method is model-agnostic in the sense that it can provide the best projection of CDTE onto the regression model class. Our method is robust in the sense that even if we learn these nuisances nonparametrically at very slow rates, we can still learn CDTEs at rates that depend on the class complexity and even conduct inferences on linear projections of CDTEs. We investigate the performance of our proposal in simulation studies, and we demonstrate its use in a case study of 401(k) eligibility effects on wealth.
• Abstract（参考訳）: 条件付き平均治療効果 (conditional average treatment effect, cate) は、個別のベースライン共変量に対する個々の因果効果の最良の予測であり、治療のパーソナライズに役立つ。 しかし、cateは(条件付き)平均だけを反映しているため、治療選択に不可欠である潜在的なリスクやテールイベントを洗い出すことができる。 集約分析では、通常は、定量値の差や治療群間の尾の期待値などの分布処理効果(DTE)を測定することで対処される。 仮説上は、同じ条件付き量子化回帰を各治療群に当てはめ、それらの差を取ることができるが、これは誤特定やクラス内での最良の予測に頑健ではない。 本稿では,条件付き量子的処理効果,条件付き超量子的処理効果,および$f$-divergencesによるコヒーレントリスク対策に対する条件付き処理効果を含む,幅広い問題に対する条件付きDTE(Conditional DTE)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案する。 本手法は,任意の回帰学習者を用いて,特殊擬似アウトカムの構築とベースライン共変量への回帰に基づく。 本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供するという意味ではモデルに依存しない。 この手法は, 非常に遅い速度で非パラメトリックに学習しても, クラス複雑性に依存する速度でCDTEを学習し, 線形射影の推論を行うという意味でも堅牢である。 本提案の性能をシミュレーション研究で検証し,401(k)の富に対する適性効果を事例として,その利用を実証する。

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)
• 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)
• Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
  異種治療効果を学習するための2段階損失関数を提案する。 提案手法は,市販の損失最小化機械学習手法により実装できる。
  論文  参考訳（メタデータ） (2023-01-26T02:56:36Z)
• 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)
• Efficient Learning of Optimal Individualized Treatment Rules for Heteroscedastic or Misspecified Treatment-Free Effect Models [3.7311680121118345]
  マルチアーム処理環境において最適な個別化処理規則(ITR)を求めるための効率的な学習フレームワークを提案する。 提案したE-Learningは,非治療効果の誤特定を許容する半パラメトリック推定の正規クラスの中で最適であることを示す。
  論文  参考訳（メタデータ） (2021-09-06T16:11:42Z)
• Conditional Distributional Treatment Effect with Kernel Conditional Mean Embeddings and U-Statistic Regression [20.544239209511982]
  条件付き分布処理効果(CoDiTE) CoDiTEは平均を超える治療の分布側面を符号化する。 合成,半合成,実データに関する実験は,このアプローチのメリットを示している。
  論文  参考訳（メタデータ） (2021-02-16T15:09:23Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)

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。