論文の概要: Estimating individual treatment effects under unobserved confounding using binary instruments

• arxiv url: http://arxiv.org/abs/2208.08544v1
• Date: Wed, 17 Aug 2022 21:25:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-19 13:23:14.628930
• Title: Estimating individual treatment effects under unobserved confounding using binary instruments
• Title（参考訳）: 二元計器を用いた観測観測による個別処理効果の推定
• Authors: Dennis Frauen, Stefan Feuerriegel
• Abstract要約: 個別治療効果(ITE)を観察データから推定することは、パーソナライズドメディカル(パーソナライズドメディカル)など多くの分野において重要である。 本稿では,バイナリIVを用いてITTを推定するための,MRIVと呼ばれる新しい多元的頑健な機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.563820572163337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating individual treatment effects (ITEs) from observational data is relevant in many fields such as personalized medicine. However, in practice, the treatment assignment is usually confounded by unobserved variables and thus introduces bias. A remedy to remove the bias is the use of instrumental variables (IVs). Such settings are widespread in medicine (e.g., trials where compliance is used as binary IV). In this paper, we propose a novel, multiply robust machine learning framework, called MRIV, for estimating ITEs using binary IVs and thus yield an unbiased ITE estimator. Different from previous work for binary IVs, our framework estimates the ITE directly via a pseudo outcome regression. (1) We provide a theoretical analysis where we show that our framework yields multiply robust convergence rates: our ITE estimator achieves fast convergence even if several nuisance estimators converge slowly. (2) We further show that our framework asymptotically outperforms state-of-the-art plug-in IV methods for ITE estimation. (3) We build upon our theoretical results and propose a tailored deep neural network architecture called MRIV-Net for ITE estimation using binary IVs. Across various computational experiments, we demonstrate empirically that our MRIV-Net achieves state-of-the-art performance. To the best of our knowledge, our MRIV is the first machine learning framework for estimating ITEs in the binary IV setting shown to be multiply robust.
• Abstract（参考訳）: 観察データから個々の治療効果(ites)を推定することは、パーソナライズされた医療など多くの分野に関係している。 しかし、実際には、治療の割り当ては通常、観察されていない変数によって決定され、バイアスが引き起こされる。 バイアスを取り除くための治療法は、インストゥルメンタル変数(IV)の使用である。 このような設定は医学(例えば、コンプライアンスをバイナリIVとして使用する試験)で広く使われている。 本稿では,2進 IV を用いた ITE を推定し,非バイアスな ITE 推定を行うための,MRIV と呼ばれる新しい頑健な機械学習フレームワークを提案する。 従来のバイナリIVと異なり、我々のフレームワークは擬似結果回帰によって直接ITTを推定する。 1) 提案手法は, 数個の固有値推定器が緩やかに収束した場合でも, ite推定器が高速収束を実現するという, 多重ロバストな収束率をもたらすことを示す理論的解析を提供する。 2) ite推定のための最先端プラグインiv法を漸近的に上回っていることを示す。 (3) 理論的結果に基づいて, バイナリIVを用いたITE推定のためのMRIV-Netと呼ばれるニューラルネットワークアーキテクチャを提案する。 様々な計算実験において,我々はMRIV-Netが最先端の性能を達成することを実証的に実証した。 私たちの知る限りでは、MRIVはバイナリIV設定でITTを推定する最初の機械学習フレームワークです。

関連論文リスト

• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Learning Decision Policies with Instrumental Variables through Double Machine Learning [16.842233444365764]
  データリッチな設定における意思決定ポリシーの学習における一般的な問題は、オフラインデータセットにおける急激な相関である。 2段階IV回帰のバイアスを低減する非線形IV回帰法であるDML-IVを提案する。 IV回帰ベンチマークでは、最先端のIV回帰法よりも優れており、楽器の存在下で高い性能のポリシーを学ぶ。
  論文  参考訳（メタデータ） (2024-05-14T10:55:04Z)
• Regularized DeepIV with Model Selection [72.17508967124081]
  正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。 我々の手法は現在の最先端の収束率と一致している。
  論文  参考訳（メタデータ） (2024-03-07T05:38:56Z)
• On the instrumental variable estimation with many weak and invalid instruments [1.837552179215311]
  楽器変数(IV)モデルにおける計算の基本的な問題点について検討する。 スパースペナルティ構造と等価な「スパース特性」を仮定し,サロゲートステップ同定法の利点を検証し,証明する。 スパース同定条件に整合した代理ステップ選択推定法を提案する。
  論文  参考訳（メタデータ） (2022-07-07T01:31:34Z)
• Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data [0.0]
  測定変数(IV)は、観察データから興味の結果に対する治療の因果効果を推定するための強力なアプローチである。 既存のIV法は、IVが選択され、ドメイン知識で正当化されることを要求する。 本稿では,データから有効なIVを発見するためのデータ駆動アルゴリズムについて,軽度な仮定で検討・設計する。
  論文  参考訳（メタデータ） (2022-06-04T07:48:13Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• Improving Inference from Simple Instruments through Compliance Estimation [0.0]
  機器変数(IV)回帰は、治療の受け取りが完全にランダムでない環境での因果治療効果を推定するために広く用いられている。 IVは、一貫した治療効果の見積もりを回復できるが、しばしばうるさい。 楽器の強度の予測可能な変動を利用して,IV推定値の効率を改善する方法について検討した。
  論文  参考訳（メタデータ） (2021-08-08T20:18:34Z)
• Estimating and Improving Dynamic Treatment Regimes With a Time-Varying Instrumental Variable [9.680527191968409]
  レトロスペクティブの観測データから動的治療体制(DTR)を推定することは、ある程度の未測定のコンバーチングがしばしば予想されるため、困難である。 我々は、適切に定義された「最適」を推定する枠組みを開発する 保証されているDTRは、事前に指定されたベースラインよりも悪く、潜在的に優れている。
  論文  参考訳（メタデータ） (2021-04-15T23:44:39Z)
• Efficient Semi-Implicit Variational Inference [65.07058307271329]
  効率的でスケーラブルな半単純外挿 (SIVI) を提案する。 本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
  論文  参考訳（メタデータ） (2021-01-15T11:39:09Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• 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。

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。