論文の概要: Identification and multiply robust estimation in causal mediation
analysis with treatment noncompliance
- arxiv url: http://arxiv.org/abs/2304.10025v1
- Date: Thu, 20 Apr 2023 00:39:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 14:46:33.348134
- Title: Identification and multiply robust estimation in causal mediation
analysis with treatment noncompliance
- Title(参考訳): 治療不適合を伴う因果的調停分析における同定と多元的ロバスト推定
- Authors: Chao Cheng and Fan Li
- Abstract要約: 本研究は, 排除制限を伴わない治療非コンプライアンスの有無で, 因果仲裁を評価するための半パラメトリック・フレームワークを構築した。
本研究では, 主媒介効果推定のための効率的な影響関数を導出し, 推定のための乗算ロバストな推定器のセットを動機付けている。
- 参考スコア(独自算出の注目度): 8.148027560648641
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In experimental and observational studies, there is often interest in
understanding the potential mechanism by which an intervention program improves
the final outcome. Causal mediation analyses have been developed for this
purpose but are primarily restricted to the case of perfect treatment
compliance, with a few exceptions that require exclusion restriction. In this
article, we establish a semiparametric framework for assessing causal mediation
in the presence of treatment noncompliance without exclusion restriction. We
propose a set of assumptions to identify the natural mediation effects for the
entire study population and further, for the principal natural mediation
effects within subpopulations characterized by the potential compliance
behaviour. We derive the efficient influence functions for the principal
natural mediation effect estimands, which motivate a set of multiply robust
estimators for inference. The semiparametric efficiency theory for the
identified estimands is derived, based on which a multiply robust estimator is
proposed. The multiply robust estimators remain consistent to the their
respective estimands under four types of misspecification of the working models
and is quadruply robust. We further describe a nonparametric extension of the
proposed estimators by incorporating machine learners to estimate the nuisance
parameters. A sensitivity analysis framework has been developed for address key
identification assumptions-principal ignorability and ignorability of mediator.
We demonstrate the proposed methods via simulations and applications to a real
data example.
- Abstract(参考訳): 実験および観察的な研究では、介入プログラムが最終的な結果を改善する潜在的なメカニズムを理解することにしばしば関心がある。
因果仲裁分析は、この目的のために開発されたが、主に完全な治療コンプライアンスの場合に限られており、除外制限を必要とするいくつかの例外がある。
本稿では, 排除制限を伴わずに, 非適合治療の有無で因果仲裁を評価するための半パラメトリックフレームワークを構築した。
本研究は, 研究全体の自然媒介効果と, さらに, 潜在的コンプライアンス行動によって特徴づけられるサブ集団内における主要な自然媒介効果を同定するための仮定のセットを提案する。
我々は, 主自然媒介効果の効率的な影響関数を導出し, 推論のための多元的ロバストな推定器の集合を動機付ける。
同定された推定値に対する半パラメトリック効率理論が導出され、乗算ロバスト推定器が提案される。
乗法的ロバストな推定子は、作業モデルの4種類の誤特定の下でそれぞれの推定値に整合性を持ち、四重に頑健である。
さらに,提案する推定器の非パラメトリック拡張について,ニュアサンスパラメータを推定する機械学習器を組み込んで述べる。
中心的無知と媒介者の無知に対処するための感度解析フレームワークを開発した。
提案手法をシミュレーションにより実証し,実データへの適用例を示す。
関連論文リスト
- Causal Influence in Federated Edge Inference [34.487472866247586]
本稿では、未ラベルのストリーミングデータを用いて、接続性のある異種エージェントが推論を行う環境について考察する。
不確実性を克服するために、エージェントは、融合センターを通じてローカルな推論を交換することで互いに協力する。
エージェントの関与パターンや核融合センターの方針を反映した様々なシナリオを考察した。
論文 参考訳(メタデータ) (2024-05-02T13:06:50Z) - Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data [62.56890808004615]
本研究では,信頼性とロバストな意思決定を確実にする,分散データ解析の解釈可能な手法を開発した。
ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性について検討した。
論文 参考訳(メタデータ) (2023-12-17T00:42:42Z) - Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning [0.0]
本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。
提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。
また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
論文 参考訳(メタデータ) (2023-07-03T14:27:15Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。
これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。
我々はこれらの考え方を非政治評価フレームワークに一般化する。
論文 参考訳(メタデータ) (2022-11-02T23:39:36Z) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳(メタデータ) (2021-11-15T03:16:56Z) - Causal Mediation Analysis with Hidden Confounders [24.246450472404614]
CMA (Causal Mediation Analysis) は因果効果の同定と推定のための公式な統計手法である。
この研究は、統一された共著者とそのプロキシ変数による因果グラフに従うことによって、厳密な仮定を回避することを目的とする。
我々のコアコントリビューションは、深層潜伏変数モデルとプロキシ戦略を組み合わせたアルゴリズムであり、統一された代理共同創設者を共同で推論し、観測変数からCMAの異なる因果効果を推定する。
論文 参考訳(メタデータ) (2021-02-21T06:46:11Z) - On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。
本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。
また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文 参考訳(メタデータ) (2020-06-14T12:47:34Z) - 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) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z) - Estimating Treatment Effects with Observed Confounders and Mediators [25.338901482522648]
因果グラフが与えられた場合、do-calculusは経験的に推定できる観察関節分布の関数として治療効果を表現することができる。
時折、do-calculusは複数の有効な公式を識別し、対応する推定器の統計特性を比較するように促す。
本稿では,共同創設者と仲介者の両方が観察される過度に同定されたシナリオについて検討し,両推定手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-03-26T15:50:25Z)
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。