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
- 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) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - 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) - Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。
我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文 参考訳（メタデータ） (2020-11-17T16:28:43Z) - Robust Bayesian Inference for Discrete Outcomes with the Total Variation
Distance [5.139874302398955]
離散的に評価された結果のモデルは、データがゼロインフレーション、過分散または汚染を示す場合、容易に誤特定される。
ここでは、Ttal Variation Distance (TVD) を用いた頑健な相違に基づくベイズ的アプローチを提案する。
我々は、我々のアプローチが堅牢で、シミュレーションおよび実世界のデータの範囲で予測性能を著しく改善していることを実証的に実証した。
論文 参考訳（メタデータ） (2020-10-26T09:53:06Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z) - 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) - Fisher-Schultz Lecture: Generic Machine Learning Inference on
Heterogenous Treatment Effects in Randomized Experiments, with an Application
to Immunization in India [3.3449509626538543]
ランダム化実験における異種効果の重要な特徴を推定し,推定する手法を提案する。
主な特徴は、機械学習プロキシを使用した効果の最良の線形予測器、インパクトグループによってソートされた平均効果、および最も最も最も影響の少ないユニットの平均特性である。
論文 参考訳（メタデータ） (2017-12-13T14:47:57Z)
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。