論文の概要: Multi-study R-learner for Heterogeneous Treatment Effect Estimation
- arxiv url: http://arxiv.org/abs/2306.01086v2
- Date: Fri, 16 Jun 2023 04:34:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 17:07:09.791232
- Title: Multi-study R-learner for Heterogeneous Treatment Effect Estimation
- Title(参考訳): 異種処理効果推定のためのマルチスタディr-learner
- Authors: Cathy Shyr, Boyu Ren, Prasad Patil, and Giovanni Parmigiani
- Abstract要約: マルチスタディな不均一な処理効果推定のための統一フレームワークを提案する。
我々のアプローチであるマルチスタディRラーナーは、Rラーナーを拡張して、現代の機械学習(ML)を用いた原理的統計的推定値を得る。
損失関数による補修調整の堅牢性を実現し、ランダム化された制御された試行と観察的研究の両方を活用することができる。
- 参考スコア(独自算出の注目度): 2.0617418317738525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating heterogeneous treatment effects is crucial for informing
personalized treatment strategies and policies. While multiple studies can
improve the accuracy and generalizability of results, leveraging them for
estimation is statistically challenging. Existing approaches often assume
identical heterogeneous treatment effects across studies, but this may be
violated due to various sources of between-study heterogeneity, including
differences in study design, confounders, and sample characteristics. To this
end, we propose a unifying framework for multi-study heterogeneous treatment
effect estimation that is robust to between-study heterogeneity in the nuisance
functions and treatment effects. Our approach, the multi-study R-learner,
extends the R-learner to obtain principled statistical estimation with modern
machine learning (ML) in the multi-study setting. The multi-study R-learner is
easy to implement and flexible in its ability to incorporate ML for estimating
heterogeneous treatment effects, nuisance functions, and membership
probabilities, which borrow strength across heterogeneous studies. It achieves
robustness in confounding adjustment through its loss function and can leverage
both randomized controlled trials and observational studies. We provide
asymptotic guarantees for the proposed method in the case of series estimation
and illustrate using real cancer data that it has the lowest estimation error
compared to existing approaches in the presence of between-study heterogeneity.
- Abstract(参考訳): 不均一な治療効果を推定することは、パーソナライズされた治療戦略や方針を伝える上で重要である。
複数の研究が結果の精度と一般化性を改善することができるが、それらを推定に活用することは統計的に困難である。
既存のアプローチでは、研究間で同一の異質な治療効果を想定することが多いが、研究設計、共同設立者、サンプル特性の相違など、研究間不均一性の様々な原因によって、これは違反する可能性がある。
そこで本研究では, ニュアサンス関数と処理効果の相互不均一性にロバストなマルチスタディ不均質な処理効果推定のための統一フレームワークを提案する。
我々のアプローチであるマルチスタディr-learnerは、r-learnerを拡張して、マルチスタディ設定における現代機械学習(ml)を用いた原理的統計推定を得る。
マルチスタディr-learnerは、ヘテロジニアスな処理効果、迷惑機能、メンバーシップ確率を推定するためにmlを組み込む能力において、実装が容易で柔軟性があり、異種研究にまたがる強度を借用できる。
損失関数による補修調整の堅牢性を実現し、ランダム化制御試験と観察研究の両方を活用することができる。
提案手法は, 系列推定の場合の漸近的保証を提供するとともに, 実がんデータを用いて, 既存手法と比較して, 研究間不均一性の有無において, 推定誤差が最も低いことを示す。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Individualized Multi-Treatment Response Curves Estimation using RBF-net
with Shared Neurons [1.3135918065713799]
マルチ処理環境における新しい非パラメトリック処理効果推定法を提案する。
我々のモデルは、共有された隠れニューロンを持つ放射基底関数(RBF)ネットに依存している。
本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
論文 参考訳(メタデータ) (2024-01-29T21:13:01Z) - 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) - A Weighted Prognostic Covariate Adjustment Method for Efficient and
Powerful Treatment Effect Inferences in Randomized Controlled Trials [0.28087862620958753]
ランダム化制御試験(RCT)の重要な課題は、効率的な推定器と治療効果の強力な試験を得られる統計手法を特定することである。
過去の制御データに基づいて生成AIアルゴリズムを訓練することにより、RDT参加者のためのデジタルツインジェネレータ(DTG)を構築することができる。
DTGは、RTT参加者の潜在的制御結果の確率分布を生成する。
論文 参考訳(メタデータ) (2023-09-25T16:14:13Z) - 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) - 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) - Statistical Inference for Heterogeneous Treatment Effects Discovered by
Generic Machine Learning in Randomized Experiments [1.0878040851638]
汎用MLアルゴリズムにより検出された不均一な処理効果の統計的推測に対する一般的なアプローチを開発する。
各グループの平均治療効果を推定し,有効信頼区間を構築する方法について述べる。
論文 参考訳(メタデータ) (2022-03-28T05:43:46Z) - 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) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳(メタデータ) (2021-01-26T17:11:40Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳(メタデータ) (2020-08-17T01:02:14Z)
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。