論文の概要: Identification and multiply robust estimation in causal mediation
analysis with treatment noncompliance
- arxiv url: http://arxiv.org/abs/2304.10025v2
- Date: Sat, 20 May 2023 22:41:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 03:10:03.541289
- 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な枠組みについて考察する。
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づける。
- 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 mechanism through which an intervention program improves the
final outcome. Causal mediation analyses have been developed for this purpose
but are primarily considered for the case of perfect treatment compliance, with
a few exceptions that require the exclusion restriction assumption. In this
article, we consider a semiparametric framework for assessing causal mediation
in the presence of treatment noncompliance without the 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
behavior. We derive the efficient influence functions for the principal natural
mediation effect estimands and motivate a set of multiply robust estimators for
inference. The multiply robust estimators remain consistent to their respective
estimands under four types of misspecification of the working models and are
efficient when all nuisance models are correctly specified. We further
introduce a nonparametric extension of the proposed estimators by incorporating
machine learners to estimate the nuisance functions. Sensitivity analysis
methods are also discussed for addressing key identification assumptions. We
demonstrate the proposed methods via simulations and an application to a real
data example.
- Abstract（参考訳）: 実験および観察研究では、介入プログラムが最終的な結果を改善するメカニズムを理解することにしばしば関心がある。
この目的のために因果仲裁分析が開発されたが、主に完全治療コンプライアンスの場合に考慮され、排他的制限仮定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メディエーションを評価するための半パラメトリックフレームワークについて考察する。
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の主媒介効果を同定するための仮定を提案する。
主自然媒介効果の効率的な影響関数を導出し、推論のための多重ロバストな推定器群を動機づける。
乗算ロバストな推定器は、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一致し、すべてのニュアンスモデルが正しく特定されたときに効率的である。
さらに,ニュアサンス関数を推定するために機械学習器を組み込むことにより,提案する推定器の非パラメトリック拡張を提案する。
また、鍵同定仮定に対処するための感度解析手法についても論じる。
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。