論文の概要: Adaptive Selection of the Optimal Strategy to Improve Precision and
Power in Randomized Trials
- arxiv url: http://arxiv.org/abs/2210.17453v1
- Date: Mon, 31 Oct 2022 16:25:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 18:38:31.846316
- Title: Adaptive Selection of the Optimal Strategy to Improve Precision and
Power in Randomized Trials
- Title(参考訳): ランダム化試験における精度とパワー向上のための最適戦略の適応的選択
- Authors: Laura B. Balzer, Erica Cai, Lucas Godoy Garraza, Pracheta Amaranath
- Abstract要約: 精度を最大化するために、どの変数とどの形式で調整アプローチを選択するかを示す。
我々は新しいアプローチによって提供された精度の劇的な向上を実演する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Benkeser et al. demonstrate how adjustment for baseline covariates in
randomized trials can meaningfully improve precision for a variety of outcome
types, including binary, ordinal, and time-to-event. Their findings build on a
long history, starting in 1932 with R.A. Fisher and including the more recent
endorsements by the U.S. Food and Drug Administration and the European
Medicines Agency. Here, we address an important practical consideration: how to
select the adjustment approach -- which variables and in which form -- to
maximize precision, while maintaining nominal confidence interval coverage.
Balzer et al. previously proposed, evaluated, and applied Adaptive
Prespecification to flexibly select, from a prespecified set, the variables
that maximize empirical efficiency in small randomized trials (N<40). To avoid
overfitting with few randomized units, adjustment was previously limited to a
single covariate in a working generalized linear model (GLM) for the expected
outcome and a single covariate in a working GLM for the propensity score. Here,
we tailor Adaptive Prespecification to trials with many randomized units.
Specifically, using V-fold cross-validation and the squared influence curve as
the loss function, we select from an expanded set of candidate algorithms,
including both parametric and semi-parametric methods, the optimal combination
of estimators of the expected outcome and known propensity score. Using
simulations, under a variety of data generating processes, we demonstrate the
dramatic gains in precision offered by our novel approach.
- Abstract(参考訳): benkeser氏らは、ランダム化された試行におけるベースライン共変量の調整が、バイナリ、順序、イベント時間など、さまざまなアウトカムタイプの精度を有意義に改善できることをデモしている。
この発見は1932年にr・a・フィッシャーと共に始まり、アメリカ食品医薬品局(fda)や欧州医薬品局(esa)の支持を得た。
ここでは, 精度を最大化するために, 調整手法(変数, 形式)をどう選択するか, の名目上の信頼区間のカバレッジを維持しながら検討する。
Balzerらはこれまで提案し、評価し、Adaptive Prespecificationを適用して、既定集合から小さなランダム化試行(N<40)において経験効率を最大化する変数を柔軟に選択した。
ランダム化単位の少ないオーバーフィッティングを避けるため, 従来, 作業一般化線形モデル(GLM)では1つの共変量に, 作業GLMでは1つの共変量に制限されていた。
ここでは、アダプティブ・プレ種別を多くのランダム化単位による試行に合わせる。
具体的には、損失関数としてV-foldクロスバリデーションと2乗影響曲線を用いて、パラメトリック法と半パラメトリック法の両方を含む拡張された候補アルゴリズムから、予測結果の推定器と既知確率スコアの最適組み合わせを選択する。
シミュレーションを用いて,様々なデータ生成プロセスにおいて,新しい手法による精度の劇的な向上を示す。
関連論文リスト
- SeWA: Selective Weight Average via Probabilistic Masking [51.015724517293236]
より良く、より高速な収束を達成するためには、ほんの数ポイントしか必要としないことを示す。
離散選択問題を連続的な部分集合最適化フレームワークに変換する。
両凸画像チェックポイントの値よりもシャープなSeWAの安定性境界を導出する。
論文 参考訳(メタデータ) (2025-02-14T12:35:21Z) - Model-independent variable selection via the rule-based variable priority [1.2771542695459488]
モデルに依存しない新しいアプローチである可変優先度(VarPro)を導入する。
VarProは、人工データを生成したり、予測エラーを評価することなく、ルールを活用する。
VarProはノイズ変数に対して一貫したフィルタリング特性を持つことを示す。
論文 参考訳(メタデータ) (2024-09-13T17:32:05Z) - Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。
異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。
この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
論文 参考訳(メタデータ) (2024-07-20T12:42:24Z) - Dual-stage optimizer for systematic overestimation adjustment applied to
multi-objective genetic algorithms for biomarker selection [0.18648070031379424]
特徴選択法を用いたバイオマーカー同定は,特徴数における予測能力とパシモニーのトレードオフを伴う多目的問題として扱うことができる。
提案するDOSA-MOは多目的最適化ラッパーアルゴリズムで,元の推定値,分散度,および解の特徴セットサイズが過大評価を予測する。
論文 参考訳(メタデータ) (2023-12-27T16:13:14Z) - Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。
本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
論文 参考訳(メタデータ) (2023-09-15T13:04:55Z) - Bilevel Optimization for Feature Selection in the Data-Driven Newsvendor
Problem [8.281391209717105]
本稿では、意思決定者が過去のデータにアクセス可能な機能ベースのニュースベンダー問題について検討する。
そこで本研究では,スパースモデル,説明可能なモデル,およびアウト・オブ・サンプル性能の改善を目的とした特徴選択について検討する。
本稿では,2レベルプログラムに対する混合整数線形プログラムの修正について述べる。
論文 参考訳(メタデータ) (2022-09-12T08:52:26Z) - Selecting Treatment Effects Models for Domain Adaptation Using Causal
Knowledge [82.5462771088607]
監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。
特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
論文 参考訳(メタデータ) (2021-02-11T21:03:14Z) - 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) - Applying Dynamic Training-Subset Selection Methods Using Genetic
Programming for Forecasting Implied Volatility [0.0]
本稿では,遺伝的プログラミング(GP)の拡張によるインプリッドボラティリティの予測精度の向上を目的とする。
ランダム・シーケンシャル・アダプティブ・サブセット選択に基づいて,4つの動的トレーニング・サブセット選択法を提案する。
その結果,動的手法により生成したGPモデルの予測性能が向上することがわかった。
論文 参考訳(メタデータ) (2020-06-29T21:28:30Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳(メタデータ) (2020-06-19T05:08:43Z)
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。