論文の概要: Statistical Performance Guarantee for Selecting Those Predicted to Benefit Most from Treatment

• arxiv url: http://arxiv.org/abs/2310.07973v1
• Date: Thu, 12 Oct 2023 01:41:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-15 11:33:25.679444
• Title: Statistical Performance Guarantee for Selecting Those Predicted to Benefit Most from Treatment
• Title（参考訳）: 治療の利益が最も大きいと予測されるものを選択するための統計的性能保証
• Authors: Michael Lingzhi Li, Kosuke Imai
• Abstract要約: 本研究は, 治療優先順位スコアが任意の定量値より少なくとも高い個人に対して, 選別平均治療効果(GATES)を実験的に評価するための信頼性バンドを開発する。 我々は,後期前立腺癌の臨床試験を解析し,統計的性能保証を有する例外的反応器の比率が比較的高いことを見出した。
• 参考スコア（独自算出の注目度）: 1.0878040851638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Across a wide array of disciplines, many researchers use machine learning (ML) algorithms to identify a subgroup of individuals, called exceptional responders, who are likely to be helped by a treatment the most. A common approach consists of two steps. One first estimates the conditional average treatment effect or its proxy using an ML algorithm. They then determine the cutoff of the resulting treatment prioritization score to select those predicted to benefit most from the treatment. Unfortunately, these estimated treatment prioritization scores are often biased and noisy. Furthermore, utilizing the same data to both choose a cutoff value and estimate the average treatment effect among the selected individuals suffer from a multiple testing problem. To address these challenges, we develop a uniform confidence band for experimentally evaluating the sorted average treatment effect (GATES) among the individuals whose treatment prioritization score is at least as high as any given quantile value, regardless of how the quantile is chosen. This provides a statistical guarantee that the GATES for the selected subgroup exceeds a certain threshold. The validity of the proposed methodology depends solely on randomization of treatment and random sampling of units without requiring modeling assumptions or resampling methods. This widens its applicability including a wide range of other causal quantities. A simulation study shows that the empirical coverage of the proposed uniform confidence bands is close to the nominal coverage when the sample is as small as 100. We analyze a clinical trial of late-stage prostate cancer and find a relatively large proportion of exceptional responders with a statistical performance guarantee.
• Abstract（参考訳）: さまざまな分野にわたって、多くの研究者が機械学習(ml)アルゴリズムを使用して、例外応答者(exceptional responders)と呼ばれる個人サブグループを特定している。 一般的なアプローチは2つのステップからなる。 まず、MLアルゴリズムを用いて条件平均処理効果またはそのプロキシを推定する。 そして、治療の優先順位付けスコアのカットオフを決定し、最も効果があると予測されたものを選択する。 残念ながら、これらの推定された治療優先順位付けスコアは、しばしばバイアスがありうる。 さらに、同じデータを用いてカットオフ値を選択し、選択した個人の平均処理効果を複数のテスト問題で評価する。 これらの課題に対処するため,我々は,質的選択の仕方に関わらず,治療優先スコアが少なくとも任意の質的価値よりも高い個人間のソート平均治療効果(gates)を実験的に評価するための統一信頼バンドを開発した。 これにより、選択された部分群に対する GATES が一定の閾値を超えるという統計的保証が得られる。 提案手法の有効性は,提案手法のモデル化や再サンプリングを必要とせず,処理のランダム化と単位のランダムサンプリングにのみ依存する。 これにより、他の幅広い因果量を含む適用範囲を広げる。 シミュレーション研究により,提案した一様信頼バンドの試験的カバレッジは,試料が100個程度小さい場合,名目カバレッジに近いことがわかった。 我々は,後期前立腺癌の臨床試験を解析し,統計的性能保証を有する例外的反応器の比率が比較的高いことを見出した。

関連論文リスト

• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts [12.289361708127876]
  我々は、CATE T-learnerを後処理するために、マルチ精度の予測子を学習するために方法論を使用する。 このアプローチは、(より大きな)確立された観測データと(より小さな)ランダム化されたデータセットを組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2024-05-28T14:12:25Z)
• Causal K-Means Clustering [5.087519744951637]
  Causal k-Means Clusteringは、広く使われているk-means Clusteringアルゴリズムを利用して、未知の部分群構造を明らかにする。 既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。 提案手法は,複数の治療レベルを有する近代的な結果研究に特に有用である。
  論文  参考訳（メタデータ） (2024-05-05T23:59:51Z)
• Sample Constrained Treatment Effect Estimation [28.156207324508706]
  我々は,効率的なランダム化制御試験を設計することに集中し,治療の効果を正確に見積もる。 特に, サンプル制約による治療効果の推定について検討し, 実験を行うには, 集団から$s ll n$のサブセットを選択する必要がある。
  論文  参考訳（メタデータ） (2022-10-12T21:13:47Z)
• Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
  本研究の目的は、希少な疾患を患っているk人の集団を同定することである。 個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
  論文  参考訳（メタデータ） (2022-06-15T16:38:50Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments [0.9208007322096533]
  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)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)

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。