論文の概要: Synthetic Blip Effects: Generalizing Synthetic Controls for the Dynamic Treatment Regime

• arxiv url: http://arxiv.org/abs/2210.11003v1
• Date: Thu, 20 Oct 2022 04:11:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 16:09:40.184370
• Title: Synthetic Blip Effects: Generalizing Synthetic Controls for the Dynamic Treatment Regime
• Title（参考訳）: 合成リップ効果:動的処理レジームのための合成制御の一般化
• Authors: Anish Agarwal, Vasilis Syrgkanis
• Abstract要約: 動的処理システムを用いて収集したパネルデータから単位特異的な処理効果を推定する。 我々は,任意の介入の順序の下で,ユニット固有の平均結果の識別戦略を提案する。
• 参考スコア（独自算出の注目度）: 31.194595148880573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a generalization of the synthetic control and synthetic interventions methodology to the dynamic treatment regime. We consider the estimation of unit-specific treatment effects from panel data collected via a dynamic treatment regime and in the presence of unobserved confounding. That is, each unit receives multiple treatments sequentially, based on an adaptive policy, which depends on a latent endogenously time-varying confounding state of the treated unit. Under a low-rank latent factor model assumption and a technical overlap assumption we propose an identification strategy for any unit-specific mean outcome under any sequence of interventions. The latent factor model we propose admits linear time-varying and time-invariant dynamical systems as special cases. Our approach can be seen as an identification strategy for structural nested mean models under a low-rank latent factor assumption on the blip effects. Our method, which we term "synthetic blip effects", is a backwards induction process, where the blip effect of a treatment at each period and for a target unit is recursively expressed as linear combinations of blip effects of a carefully chosen group of other units that received the designated treatment. Our work avoids the combinatorial explosion in the number of units that would be required by a vanilla application of prior synthetic control and synthetic intervention methods in such dynamic treatment regime settings.
• Abstract（参考訳）: 本稿では, 動的処理系に対する合成制御および合成介入手法の一般化を提案する。 本研究では,動的処理方式で収集したパネルデータから単位特異的な治療効果を推定し,観察不能なコンファウンドの存在下での処理効果を考察する。 すなわち、各処理ユニットは順応ポリシーに基づいて順次複数の処理を受け取り、その処理ユニットの潜在的な内在的な時間的結合状態に依存する。 低ランク潜在因子モデル仮定と技術的重複仮定の下では、任意の介入の順序の下で、単位固有平均結果の識別戦略を提案する。 提案する潜在因子モデルは線形時変力学系と時間不変力学系を特別な場合として認める。 本手法は,blip効果に対する低位潜伏因子仮定下での構造的ネスト平均モデルの同定戦略と見なすことができる。 本手法は「合成リップ効果」とよばれる手法であり、各期間における治療のリップ効果と対象単位に対するブリップ効果を、指定された治療を受けた他のユニットの慎重に選択された群によるブリップ効果の線形結合として再帰的に表現する。 本研究は,このようなダイナミックな処理環境において,事前の合成制御と合成介入手法のバニラ適用によって要求される単位数の組合せ爆発を回避している。

関連論文リスト

• 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)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• SCouT: Synthetic Counterfactuals via Spatiotemporal Transformers for Actionable Healthcare [6.431557011732579]
  合成制御法は、ドナーユニットからユニットの対実的現実を推定する強力なデータ駆動手法のクラスを開拓した。 中心となる技術は、ドナーの結果を結合して偽物を生成する、事前介入期間に適合した線形モデルである。 提案手法は,介入の開始前における局所的時間的情報の利用を,事象列を推定する有望な方法として提案する。
  論文  参考訳（メタデータ） (2022-07-09T07:00:17Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Evaluating (weighted) dynamic treatment effects by double machine learning [0.12891210250935145]
  本研究では,データ駆動方式で動的処理の因果効果を評価する。 いわゆるNeyman-orthogonal score関数を用いて,中等度(局所的な)不特定性に対する治療効果推定の頑健さを示唆する。 推定子は正規に正規であり、特定の条件下では$sqrtn$-consistentであることを示す。
  論文  参考訳（メタデータ） (2020-12-01T09:55:40Z)
• Individual Treatment Prescription Effect Estimation in a Low Compliance Setting [11.672067762133299]
  個別処理効果推定は、様々な領域で応用される広範囲に研究されている問題である。 我々は,信号の消失を防止するために,観測されたコンプライアンス情報を活用するIPE推定のための新しい手法を提案する。 私たちは、低コンプライアンス設定における最先端性を一貫して改善するアプローチのメリットを強調する、合成データセットと実世界のデータセットの両方で実験を行います。
  論文  参考訳（メタデータ） (2020-08-07T15:53:00Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)
• Double/Debiased Machine Learning for Dynamic Treatment Effects via g-Estimation [25.610534178373065]
  複数の治療が時間とともに割り当てられる場合の設定における治療効果の推定について検討する。 本稿では、治療の動的効果を推定するために、ダブル/デバイアスの機械学習フレームワークの拡張を提案する。
  論文  参考訳（メタデータ） (2020-02-17T22:32:34Z)
• 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。