論文の概要: Estimating long-term causal effects from short-term experiments and
long-term observational data with unobserved confounding
- arxiv url: http://arxiv.org/abs/2302.10625v1
- Date: Tue, 21 Feb 2023 12:22:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 15:30:53.737276
- Title: Estimating long-term causal effects from short-term experiments and
long-term observational data with unobserved confounding
- Title（参考訳）: 短期実験による長期因果効果の推定と観測不能な観測データ
- Authors: Graham Van Goffrier, Lucas Maystre, Ciar\'an Gilligan-Lee
- Abstract要約: 実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。
我々の長期因果効果推定器は、回帰残差と短期実験結果を組み合わせることで得られる。
- 参考スコア（独自算出の注目度）: 5.854757988966379
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and quantifying cause and effect is an important problem in
many domains. The generally-agreed solution to this problem is to perform a
randomised controlled trial. However, even when randomised controlled trials
can be performed, they usually have relatively short duration's due to cost
considerations. This makes learning long-term causal effects a very challenging
task in practice, since the long-term outcome is only observed after a long
delay. In this paper, we study the identification and estimation of long-term
treatment effects when both experimental and observational data are available.
Previous work provided an estimation strategy to determine long-term causal
effects from such data regimes. However, this strategy only works if one
assumes there are no unobserved confounders in the observational data. In this
paper, we specifically address the challenging case where unmeasured
confounders are present in the observational data. Our long-term causal effect
estimator is obtained by combining regression residuals with short-term
experimental outcomes in a specific manner to create an instrumental variable,
which is then used to quantify the long-term causal effect through instrumental
variable regression. We prove this estimator is unbiased, and analytically
study its variance. In the context of the front-door causal structure, this
provides a new causal estimator, which may be of independent interest. Finally,
we empirically test our approach on synthetic-data, as well as real-data from
the International Stroke Trial.
- Abstract（参考訳）: 原因と効果の理解と定量化は、多くの領域において重要な問題である。
この問題の一般的な解決法はランダムに制御された試行を実行することである。
しかし、ランダムに制御された試験が実施できる場合でも、コストの考慮により、比較的短い期間がかかるのが普通である。
これにより、長期的因果効果の学習は、長い遅れの後のみ観察されるため、実際には非常に困難な作業となる。
本稿では,実験データと観察データの両方が利用可能である場合の長期治療効果の同定と推定について検討する。
過去の研究は、こうしたデータ体制から長期的な因果効果を推定する戦略を提供した。
しかし、この戦略は観測データに観測されていない共同設立者がいないと仮定した場合のみ機能する。
本稿では,観測データに未測定の共同創設者が存在する場合の問題点を具体的に解決する。
本研究の長期因果効果推定器は、回帰残差と短期実験結果とを具体的手法で組み合わせて計器変数を作成し、計器変数回帰によって長期因果効果を定量化する。
この推定器が偏りがないことを証明し、その分散を解析的に研究する。
フロントドア因果構造では、これは独立した関心を持つ可能性のある新しい因果推定器を提供する。
最後に、我々は、国際脳卒中裁判の実際のデータと同様に、合成データに対する我々のアプローチを実証的にテストします。
関連論文リスト
- Long-term Off-Policy Evaluation and Learning [21.047613223586794]
アルゴリズムの短期的および長期的な結果はしばしば異なり、下流効果を損なう。
関心の長期的な結果を見るのに数ヶ月かそれ以上かかるので、アルゴリズムの選択プロセスは受け入れがたいほど遅くなります。
本稿では,報酬関数の分解に基づく長期オフライン評価(LOPE)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-24T06:59:59Z) - DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。
具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。
効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
論文 参考訳（メタデータ） (2023-03-12T03:40:21Z) - A Reinforcement Learning Approach to Estimating Long-term Treatment
Effects [13.371851720834918]
ランダム化実験による制限は、長期効果を測定するために容易に拡張できないことである。
マルコフ過程における平均報酬を推定する強化学習(RL)アプローチを採用する。
観測された状態遷移が非定常である実世界のシナリオに動機付けられ、非定常問題のクラスのための新しいアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-10-14T05:33:19Z) - Long-term Causal Inference Under Persistent Confounding via Data Combination [38.026740610259225]
実験データと観測データの両方が利用可能である場合の長期治療効果の同定と推定について検討した。
長期の成果は長期間の遅延後にのみ観測されるため、実験データでは測定されず、観測データでのみ記録される。
論文 参考訳（メタデータ） (2022-02-15T07:44:20Z) - Combining Experimental and Observational Data for Identification of
Long-Term Causal Effects [13.32091725929965]
本研究では、観察領域と実験領域のデータを用いて、治療変数の長期的な結果変数に対する因果効果を推定するタスクについて検討する。
観測データは共起していると考えられており、さらなる仮定なしでは、このデータセットは因果推論にも使用できない。
論文 参考訳（メタデータ） (2022-01-26T04:21:14Z) - 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) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Long-Term Effect Estimation with Surrogate Representation [43.932546958874696]
本研究は、一次利害関係(一次利害関係)の結果が蓄積されるまでに数ヶ月、あるいは数年を要する長期的効果の問題を研究する。
本稿では,機械学習における因果推論と逐次モデルとの接続を構築することを提案する。
論文 参考訳（メタデータ） (2020-08-19T03:16:18Z) - 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。