論文の概要: CATE Lasso: Conditional Average Treatment Effect Estimation with
High-Dimensional Linear Regression
- arxiv url: http://arxiv.org/abs/2310.16819v1
- Date: Wed, 25 Oct 2023 17:51:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 13:13:04.608323
- Title: CATE Lasso: Conditional Average Treatment Effect Estimation with
High-Dimensional Linear Regression
- Title（参考訳）: CATE Lasso:高次元線形回帰による条件平均処理効果の推定
- Authors: Masahiro Kato and Masaaki Imaizumi
- Abstract要約: 条件平均治療効果(CATE)は、個々の因果効果を表す量として重要な役割を果たす。
本研究では,高次元および非スパースパラメータの下でも連続的にCATEを推定する手法を提案する。
- 参考スコア（独自算出の注目度）: 18.628644958430076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In causal inference about two treatments, Conditional Average Treatment
Effects (CATEs) play an important role as a quantity representing an
individualized causal effect, defined as a difference between the expected
outcomes of the two treatments conditioned on covariates. This study assumes
two linear regression models between a potential outcome and covariates of the
two treatments and defines CATEs as a difference between the linear regression
models. Then, we propose a method for consistently estimating CATEs even under
high-dimensional and non-sparse parameters. In our study, we demonstrate that
desirable theoretical properties, such as consistency, remain attainable even
without assuming sparsity explicitly if we assume a weaker assumption called
implicit sparsity originating from the definition of CATEs. In this assumption,
we suppose that parameters of linear models in potential outcomes can be
divided into treatment-specific and common parameters, where the
treatment-specific parameters take difference values between each linear
regression model, while the common parameters remain identical. Thus, in a
difference between two linear regression models, the common parameters
disappear, leaving only differences in the treatment-specific parameters.
Consequently, the non-zero parameters in CATEs correspond to the differences in
the treatment-specific parameters. Leveraging this assumption, we develop a
Lasso regression method specialized for CATE estimation and present that the
estimator is consistent. Finally, we confirm the soundness of the proposed
method by simulation studies.
- Abstract（参考訳）: 2つの治療法に関する因果推論において、条件平均治療効果(CATE)は、共変量に条件付けられた2つの治療法の期待結果の差として定義される個別因果効果を表す量として重要な役割を果たす。
本研究では,2つの処理の結果と共変量の間の2つの線形回帰モデルを仮定し,CATEを線形回帰モデルの違いとして定義する。
そこで本研究では,高次元および非スパースパラメータの下でもCATEを常に推定する手法を提案する。
本研究では,猫の定義を起源とする暗黙のスパーシティと呼ばれる弱い仮定を仮定した場合でも,一貫性などの望ましい理論的性質が明示的にスパーシティを仮定することなく達成可能であることを実証する。
この仮定では、潜在的結果における線形モデルのパラメータは、それぞれの線形回帰モデル間の差値を取る処理固有のパラメータと共通パラメータに分けることができるが、共通パラメータは同一である。
したがって、2つの線形回帰モデルの違いにより、共通のパラメータは消失し、処理固有のパラメータにのみ差が残る。
その結果、CATEの非ゼロパラメータは治療固有のパラメータの違いに対応している。
この仮定を生かして,カテゴリー推定に特化したラッソ回帰法を開発し,推定器の一貫性を示す。
最後に,提案手法の健全性についてシミュレーションにより確認する。
関連論文リスト
- Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - De-confounding Representation Learning for Counterfactual Inference on
Continuous Treatment via Generative Adversarial Network [5.465397606401007]
実世界の因果推論タスクでは、二項処理変数よりも連続的な因果推論の方が一般的である。
本稿では,連続処理の現実的結果推定のための分散表現学習(DRL)フレームワークを提案する。
DRLモデルは,非衝突表現の学習において優れた性能を示し,連続処理変数に対する最先端の反実的推論モデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-07-24T08:56:25Z) - Off-policy estimation of linear functionals: Non-asymptotic theory for
semi-parametric efficiency [59.48096489854697]
観測データに基づいて線形汎関数を推定する問題は、因果推論と包帯文献の両方において標準的である。
このような手順の平均二乗誤差に対して非漸近上界を証明した。
非漸近的局所ミニマックス下限をマッチングすることにより、有限標本のインスタンス依存最適性を確立する。
論文 参考訳（メタデータ） (2022-09-26T23:50:55Z) - 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) - Modeling High-Dimensional Data with Unknown Cut Points: A Fusion
Penalized Logistic Threshold Regression [2.520538806201793]
従来のロジスティック回帰モデルでは、リンク関数は線形で連続であると見なされることが多い。
我々は、全ての連続した特徴が順序レベルに離散化され、さらにバイナリ応答が決定されるしきい値モデルを考える。
糖尿病のような慢性疾患の早期発見と予知の問題において,ラッソモデルが好適であることが判明した。
論文 参考訳（メタデータ） (2022-02-17T04:16:40Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Variable selection with missing data in both covariates and outcomes:
Imputation and machine learning [1.0333430439241666]
欠落したデータ問題は、健康研究で普遍的です。
機械学習はパラメトリックな仮定を弱める。
XGBoostとBARTは、さまざまな設定で最高のパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-04-06T20:18:29Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - Doubly Robust Semiparametric Difference-in-Differences Estimators with
High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。
第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。
第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文 参考訳（メタデータ） (2020-09-07T15:14:29Z) - Assumption-lean inference for generalised linear model parameters [0.0]
主効果推定と効果修正推定の非パラメトリックな定義を提案する。
これらのモデルが正しく指定されたとき、一般化された線形モデルにおける標準の主効果と効果の修正パラメータに還元される。
これらの推定値に対する仮定リーン推論を実現する。
論文 参考訳（メタデータ） (2020-06-15T13:49:48Z)
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。