論文の概要: Sequential Underspecified Instrument Selection for Cause-Effect
Estimation
- arxiv url: http://arxiv.org/abs/2302.05684v1
- Date: Sat, 11 Feb 2023 12:43:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 19:10:47.118622
- Title: Sequential Underspecified Instrument Selection for Cause-Effect
Estimation
- Title(参考訳): 原因推定のための系列不特定機器選択
- Authors: Elisabeth Ailer, Jason Hartford, Niki Kilbertus
- Abstract要約: 自然科学では、高次元の治療法の因果効果を推し進めるが、限られた数の実験しか行えない。
測定された部分空間への処理効果の投射を確実に回復できることを示す。
次に、各実験ラウンドにおいて最も情報性の高い機器を反復的に提案するアルゴリズムで、組み合わせた推定器を利用する。
- 参考スコア(独自算出の注目度): 3.9118684440040106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Instrumental variable (IV) methods are used to estimate causal effects in
settings with unobserved confounding, where we cannot directly experiment on
the treatment variable. Instruments are variables which only affect the outcome
indirectly via the treatment variable(s). Most IV applications focus on
low-dimensional treatments and crucially require at least as many instruments
as treatments. This assumption is restrictive: in the natural sciences we often
seek to infer causal effects of high-dimensional treatments (e.g., the effect
of gene expressions or microbiota on health and disease), but can only run few
experiments with a limited number of instruments (e.g., drugs or antibiotics).
In such underspecified problems, the full treatment effect is not identifiable
in a single experiment even in the linear case. We show that one can still
reliably recover the projection of the treatment effect onto the instrumented
subspace and develop techniques to consistently combine such partial estimates
from different sets of instruments. We then leverage our combined estimators in
an algorithm that iteratively proposes the most informative instruments at each
round of experimentation to maximize the overall information about the full
causal effect.
- Abstract(参考訳): インストゥルメンタル変数(iv)メソッドは、観察されていないコンファウンディングのある設定で因果効果を推定するために使用され、そこでは治療変数を直接実験することはできない。
機器は、処理変数(s)を介して間接的に結果にのみ影響を及ぼす変数である。
IV のほとんどの応用は低次元の治療に焦点をあてており、治療に最低でも多くの器具を必要とする。
この仮定は制限的であり、自然科学では、高次元治療(例えば、遺伝子発現や微生物が健康や病気に与える影響)の因果効果を推し進めるが、限られた数の機器(例えば、薬物や抗生物質)でのみ実験を行うことができる。
このような不特定な問題では、線形の場合でさえ単一の実験では完全な治療効果は特定できない。
測定器のサブスペースへの処理効果の投射を確実に再現できることを示し、異なる機器集合からのそのような部分的推定を一貫して組み合わせる手法を開発した。
次に,各実験でもっとも有意義な手段を反復的に提案するアルゴリズムを用いて,総合的な因果効果に関する情報を最大化する。
関連論文リスト
- Adaptive Instrument Design for Indirect Experiments [48.815194906471405]
RCTとは異なり、間接的な実験は条件付き機器変数を利用して治療効果を推定する。
本稿では,データ収集ポリシーを適応的に設計することで,間接実験におけるサンプル効率の向上に向けた最初のステップについて述べる。
我々の主な貢献は、影響関数を利用して最適なデータ収集ポリシーを探索する実用的な計算手順である。
論文 参考訳(メタデータ) (2023-12-05T02:38:04Z) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳(メタデータ) (2023-09-29T14:33:48Z) - Learning Individual Treatment Effects under Heterogeneous Interference
in Networks [34.16062968227468]
ネットワーク観測データによる個々の治療効果の推定が注目されている。
ネットワークシナリオにおける大きな課題の1つは、安定した単位処理値の仮定に違反していることである。
本稿では,注目重みを同時に学習するDWRアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-10-25T15:00:05Z) - Interpretable Deep Causal Learning for Moderation Effects [0.0]
本稿では、因果機械学習モデルにおける解釈可能性と目標正規化の問題に対処する。
本稿では,個別の処理効果を推定するための新しい深層対実学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-06-21T11:21:09Z) - 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) - Valid Causal Inference with (Some) Invalid Instruments [24.794879633855373]
排他的仮定違反にも拘わらず、一貫したIV推定を行う方法を示す。
我々は,深層ネットワークに基づく推定器のアンサンブルを用いて条件平均処理効果を正確に推定する。
論文 参考訳(メタデータ) (2020-06-19T21:09:26Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳(メタデータ) (2020-03-02T15:21:20Z) - 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) - Efficient Discovery of Heterogeneous Quantile Treatment Effects in
Randomized Experiments via Anomalous Pattern Detection [1.9346186297861747]
治療効果サブセットスキャン(TESS)は、ランダム化実験においてどのサブ集団が治療によって最も影響を受けているかを発見する新しい方法である。
このアルゴリズムに加えて、処理効果のない鋭いヌル仮説の下では、I型とII型のエラーを制御できることを実証する。
論文 参考訳(メタデータ) (2018-03-24T20:21:06Z)
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。