論文の概要: Variable importance for causal forests: breaking down the heterogeneity of treatment effects

• arxiv url: http://arxiv.org/abs/2308.03369v1
• Date: Mon, 7 Aug 2023 07:43:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 14:42:45.077011
• Title: Variable importance for causal forests: breaking down the heterogeneity of treatment effects
• Title（参考訳）: 因果樹林の多様性の重要性--治療効果の不均一性を断ち切る
• Authors: Cl\'ement B\'enard, Julie Josse (PREMEDICAL)
• Abstract要約: 我々は、因果樹林の新しい重要変数アルゴリズムを開発した。 共起変数を使わずに森林再訓練の扱い方を示す。 シミュレーション,半合成,実データによる実験は,我々の重要度尺度の優れた性能を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal random forests provide efficient estimates of heterogeneous treatment effects. However, forest algorithms are also well-known for their black-box nature, and therefore, do not characterize how input variables are involved in treatment effect heterogeneity, which is a strong practical limitation. In this article, we develop a new importance variable algorithm for causal forests, to quantify the impact of each input on the heterogeneity of treatment effects. The proposed approach is inspired from the drop and relearn principle, widely used for regression problems. Importantly, we show how to handle the forest retrain without a confounding variable. If the confounder is not involved in the treatment effect heterogeneity, the local centering step enforces consistency of the importance measure. Otherwise, when a confounder also impacts heterogeneity, we introduce a corrective term in the retrained causal forest to recover consistency. Additionally, experiments on simulated, semi-synthetic, and real data show the good performance of our importance measure, which outperforms competitors on several test cases. Experiments also show that our approach can be efficiently extended to groups of variables, providing key insights in practice.
• Abstract（参考訳）: 因果ランダム林は不均一な処理効果を効率的に推定する。 しかしながら、フォレストアルゴリズムはブラックボックスの性質でもよく知られており、入力変数が治療効果の不均一性にどのように関与しているかを特徴付けていない。 本稿では,各入力が処理効果の不均一性に与える影響を定量化するために,因果林の新しい重要変数アルゴリズムを開発する。 提案手法は回帰問題に広く用いられるdrop and relearnの原理に触発されたものである。 重要なこととして,森林再訓練の扱い方を示す。 共同設立者が治療効果の不均一性に関与していない場合、局所中心段階は重要度尺度の一貫性を強制する。 そうでなければ、共同創設者が異質性にも影響を及ぼすと、再訓練された因果樹林に整合性回復のための補正用語を導入する。 さらに, シミュレーション, 半合成, 実データによる実験により, 重要度尺度の優れた性能が示され, 各種テストケースにおける競合よりも優れていた。 実験では、我々のアプローチが変数のグループに効率的に拡張できることを示し、実際に重要な洞察を提供する。

関連論文リスト

• Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables [13.12743473333296]
  非実験データから因果効果を推定することは、科学の多くの分野における根本的な問題である。 非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。 我々は、合成データと実世界のデータの両方に関する広範な実験を通じて、アルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-25T12:08:54Z)
• A Bayesian Classification Trees Approach to Treatment Effect Variation with Noncompliance [0.5356944479760104]
  非準拠のランダム化試験における様々な治療効果を推定することは本質的に困難である。 既存の柔軟な機械学習手法は、弱い楽器の問題に非常に敏感である。 非準拠シナリオにおける二値応答変数に対するベイジアン因果フォレストモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-14T18:33:55Z)
• Why do Random Forests Work? Understanding Tree Ensembles as Self-Regularizing Adaptive Smoothers [68.76846801719095]
  統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。 森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
  論文  参考訳（メタデータ） (2024-02-02T15:36:43Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• Hybrid Censored Quantile Regression Forest to Assess the Heterogeneous Effects [4.194179127753325]
  我々は,ハイブリット・センサス・量子回帰フォレスト(HCQRF)と呼ばれるハイブリッド・フォレスト・アプローチを開発し,高次元変数で異なる異種効果を評価する。 本稿では,処理効果関数に対する変数の影響を測定するために,変数の重要度分解を提案する。
  論文  参考訳（メタデータ） (2022-12-12T03:01:36Z)
• What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work? [1.1050303097572156]
  両手法がL2損失下で同じパラメータと共起仮定で理解可能であることを示す。 ランダム化環境では、両方のアプローチはベンチマーク研究で新しいブレンドバージョンと同様に実行された。
  論文  参考訳（メタデータ） (2022-06-21T12:45:07Z)
• 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)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)
• Estimating heterogeneous treatment effects with right-censored data via causal survival forests [2.624902795082451]
  本研究では, 生存環境と観測環境における不均一な処理効果を推定するために, 因果樹林を導入する。 提案手法は,不確定な条件下での検閲効果と選択効果の両面を安定に調整する方程式を推定することに依存する。
  論文  参考訳（メタデータ） (2020-01-27T16:22:05Z)

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。