Fugu-MT 論文翻訳(概要): Treatment Effect Estimation from Observational Network Data using Augmented Inverse Probability Weighting and Machine Learning

論文の概要: Treatment Effect Estimation from Observational Network Data using Augmented Inverse Probability Weighting and Machine Learning

arxiv url: http://arxiv.org/abs/2206.14591v1
Date: Wed, 29 Jun 2022 12:52:41 GMT
ステータス: 処理完了
システム内更新日: 2022-06-30 21:01:35.742062
Title: Treatment Effect Estimation from Observational Network Data using Augmented Inverse Probability Weighting and Machine Learning
Title（参考訳）: 拡張逆確率重み付けと機械学習を用いた観測ネットワークデータからの処理効果推定
Authors: Corinne Emmenegger and Meta-Lina Spohn and Peter B\"uhlmann
Abstract要約: 治療効果推定のための因果推論法は、通常独立した実験単位を仮定する。本研究では, 因果治療効果を推定・推定するための拡張逆確率(AIPW)を開発した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Causal inference methods for treatment effect estimation usually assume independent experimental units. However, this assumption is often questionable because experimental units may interact. We develop augmented inverse probability weighting (AIPW) for estimation and inference of causal treatment effects on dependent observational data. Our framework covers very general cases of spillover effects induced by units interacting in networks. We use plugin machine learning to estimate infinite-dimensional nuisance components leading to a consistent treatment effect estimator that converges at the parametric rate and asymptotically follows a Gaussian distribution.
Abstract（参考訳）: 治療効果推定のための因果推論法は、通常独立した実験単位を仮定する。しかし、実験単位が相互作用する可能性があるため、この仮定はしばしば疑わしい。従属観測データに対する因果的治療効果の推定と推定のために拡張逆確率重み付け(aipw)を開発した。ネットワーク上で相互作用するユニットによって引き起こされる余剰効果のごく一般的な事例を網羅する。プラグイン機械学習を用いて無限次元のニュアンス成分を推定し,パラメトリック速度で収束し,漸近的にガウス分布に従う一貫した処理効果推定を行う。

関連論文リスト

Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data [0.9087641068861047]
条件付き平均治療効果(CATE)に対する因果的機械学習推定器に欠落した結果データが与える影響について論じる。我々はCATE(mDR-learner)とmEP-learner(mEP-learner)の2つの非バイアス機械学習推定器を提案する。
論文参考訳（メタデータ） (2024-12-27T16:10:03Z)
Semiparametric inference for impulse response functions using double/debiased machine learning [49.1574468325115]
本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
論文参考訳（メタデータ） (2024-11-15T07:42:02Z)
Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文参考訳（メタデータ） (2024-11-01T18:00:51Z)
Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。本手法の有効性を5つの数値シナリオで示す。
論文参考訳（メタデータ） (2023-11-14T17:31:50Z)
Doubly Robust Estimation of Direct and Indirect Quantile Treatment Effects with Machine Learning [0.0]
本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
論文参考訳（メタデータ） (2023-07-03T14:27:15Z)
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)
Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2021-12-07T16:40:28Z)
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)
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)
Causal Inference under Networked Interference and Intervention Policy Enhancement [35.149125599812706]
ランダム化実験のデータから個々の治療効果を推定することは因果推論において重要な課題である。通常、ランダム化実験や相互接続された単位による観測実験では、干渉下でのみ治療反応を観察することができる。本稿では,グラフの依存性を捕捉する強力なツールであるGNNを用いて,一般的なネットワーク干渉下での因果効果の推定について検討する。
論文参考訳（メタデータ） (2020-02-20T00:35:50Z)
Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。