論文の概要: Heterogeneous Treatment Effect Estimation for Observational Data using
Model-based Forests
- arxiv url: http://arxiv.org/abs/2210.02836v1
- Date: Thu, 6 Oct 2022 11:49:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 17:31:38.807557
- Title: Heterogeneous Treatment Effect Estimation for Observational Data using
Model-based Forests
- Title（参考訳）: モデルベース森林を用いた観測データの不均一処理効果推定
- Authors: Susanne Dandl and Andreas Bender and Torsten Hothorn
- Abstract要約: 本研究では,観測データにおける不整合問題に対処するため,モデルに基づく森林の修正を提案する。
この戦略は,様々な結果分布を模擬した実験において,コンバウンディング効果を低減させることがわかった。
筋萎縮性側索硬化症の進行に対するリルゾールの潜在的ヘテロジニアス効果を評価することにより,HTEの生存率と経時的成績を推定する実践的側面を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The estimation of heterogeneous treatment effects (HTEs) has attracted
considerable interest in many disciplines, most prominently in medicine and
economics. Contemporary research has so far primarily focused on continuous and
binary responses where HTEs are traditionally estimated by a linear model,
which allows the estimation of constant or heterogeneous effects even under
certain model misspecifications. More complex models for survival, count, or
ordinal outcomes require stricter assumptions to reliably estimate the
treatment effect. Most importantly, the noncollapsibility issue necessitates
the joint estimation of treatment and prognostic effects. Model-based forests
allow simultaneous estimation of covariate-dependent treatment and prognostic
effects, but only for randomized trials. In this paper, we propose
modifications to model-based forests to address the confounding issue in
observational data. In particular, we evaluate an orthogonalization strategy
originally proposed by Robinson (1988, Econometrica) in the context of
model-based forests targeting HTE estimation in generalized linear models and
transformation models. We found that this strategy reduces confounding effects
in a simulated study with various outcome distributions. We demonstrate the
practical aspects of HTE estimation for survival and ordinal outcomes by an
assessment of the potentially heterogeneous effect of Riluzole on the progress
of Amyotrophic Lateral Sclerosis.
- Abstract（参考訳）: 異種治療効果(hte)の推定は、多くの分野、特に医学や経済学において大きな関心を集めている。
現代の研究は、従来のhteが線形モデルによって推定される連続的および二分的応答に主に焦点を合わせており、特定のモデル誤特定の下でも定数または不均質な効果を推定することができる。
生存、数、順序の結果のより複雑なモデルは、治療効果を確実に推定するためにより厳格な仮定を必要とする。
最も重要なのは、非協調性問題は治療と予後の同時評価を必要とすることである。
モデルベース森林は共変量依存的治療と予後予測効果の同時推定を可能にするが、ランダム化試験のみである。
本稿では,観測データの融合問題に対処するため,モデルベース森林の修正を提案する。
特に,ロビンソン(1988,econometrica)が提唱した直交化戦略を,一般化線形モデルと変換モデルにおけるhte推定を目標としたモデルベース森林の文脈で評価した。
その結果,様々な結果分布を持つシミュレーション実験において,この戦略は結束効果を減少させることがわかった。
筋萎縮性側索硬化症の進行に対するリルゾールの潜在的ヘテロジニアス効果を評価することにより,HTEの生存率と経時的成績を推定する実践的側面を示す。
関連論文リスト
- Causal Dynamic Variational Autoencoder for Counterfactual Regression in
Longitudinal Data [3.662229789022107]
時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。
我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。
我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
論文 参考訳（メタデータ） (2023-10-16T16:32:35Z) - What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work? [1.1050303097572156]
両手法がL2損失下で同じパラメータと共起仮定で理解可能であることを示す。
ランダム化環境では、両方のアプローチはベンチマーク研究で新しいブレンドバージョンと同様に実行された。
論文 参考訳（メタデータ） (2022-06-21T12:45:07Z) - 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) - 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) - 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) - Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects
Estimation [0.0]
本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。
観察データを用いて不均一な治療効果を推定する。
論文 参考訳（メタデータ） (2021-02-12T15:24:50Z) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳（メタデータ） (2021-01-26T09:15:49Z) - 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) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - 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)
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。