論文の概要: Targeted Machine Learning for Average Causal Effect Estimation Using the
Front-Door Functional
- arxiv url: http://arxiv.org/abs/2312.10234v1
- Date: Fri, 15 Dec 2023 22:04:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 17:49:08.153015
- Title: Targeted Machine Learning for Average Causal Effect Estimation Using the
Front-Door Functional
- Title(参考訳): フロントドア関数を用いた平均因果効果推定のためのターゲット機械学習
- Authors: Anna Guo, David Benkeser, Razieh Nabi
- Abstract要約: 結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。
本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。
本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
- 参考スコア(独自算出の注目度): 3.0232957374216953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating the average causal effect (ACE) of a treatment on an outcome often
involves overcoming the challenges posed by confounding factors in
observational studies. A traditional approach uses the back-door criterion,
seeking adjustment sets to block confounding paths between treatment and
outcome. However, this method struggles with unmeasured confounders. As an
alternative, the front-door criterion offers a solution, even in the presence
of unmeasured confounders between treatment and outcome. This method relies on
identifying mediators that are not directly affected by these confounders and
that completely mediate the treatment's effect. Here, we introduce novel
estimation strategies for the front-door criterion based on the targeted
minimum loss-based estimation theory. Our estimators work across diverse
scenarios, handling binary, continuous, and multivariate mediators. They
leverage data-adaptive machine learning algorithms, minimizing assumptions and
ensuring key statistical properties like asymptotic linearity,
double-robustness, efficiency, and valid estimates within the target parameter
space. We establish conditions under which the nuisance functional estimations
ensure the root n-consistency of ACE estimators. Our numerical experiments show
the favorable finite sample performance of the proposed estimators. We
demonstrate the applicability of these estimators to analyze the effect of
early stage academic performance on future yearly income using data from the
Finnish Social Science Data Archive.
- Abstract(参考訳): 結果に対する治療の平均因果効果(ace)の評価は、しばしば観察研究における因子の結合によって生じる課題を克服することを伴う。
伝統的なアプローチではバックドアの基準を使い、治療と結果の間の結合経路をブロックするための調整セットを求める。
しかし、この手法は未測定の共同設立者と競合する。
代替策として、フロントドアの基準は、治療と結果の間に未測定の共同創設者が存在する場合でも解決策を提供する。
この方法は、これらの共同設立者に直接影響されず、治療の効果を完全に仲介する仲介者を特定することに依存する。
本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。
我々の推定子は、バイナリ、連続、多変量メディエータを扱い、様々なシナリオで機能します。
データ適応型機械学習アルゴリズムを活用し、仮定を最小化し、漸近線形性、ダブルロバスト性、効率性、ターゲットパラメータ空間内の有効推定などの重要な統計特性を確保する。
そこで我々は,Nuisance関数推定がACE推定器のルートn-整合性を保証する条件を確立する。
数値実験により,提案した推定器の良好な有限サンプル性能を示した。
フィンランド社会科学データアーカイブのデータを用いて, 早期の学業成績が将来の年収に与える影響を分析するための評価器の適用性を示す。
関連論文リスト
- Structure-agnostic Optimality of Doubly Robust Learning for Treatment
Effect Estimation [27.630223763160515]
平均処理効果推定は因果推論において最も中心的な問題であり、多くの分野に適用できる。
我々は最近導入された統計的下界の構造非依存の枠組みを採用し、ニュアンス関数に構造的特性を生じさせない。
平均治療効果 (ATE) と平均治療効果 (ATT) の両方に対して, 有意かつ広く用いられている2重頑健性評価器の統計的最適性を証明する。
論文 参考訳(メタデータ) (2024-02-22T04:03:32Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳(メタデータ) (2023-07-11T02:58:10Z) - Post Reinforcement Learning Inference [22.117487428829488]
強化学習アルゴリズムから収集したデータを用いた推定と推定について検討する。
本稿では,時間変化の分散を安定化させるために,適応重みを慎重に設計した重み付きZ推定手法を提案する。
主な応用は、動的処理効果推定と動的オフポリシー評価である。
論文 参考訳(メタデータ) (2023-02-17T12:53:15Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳(メタデータ) (2023-01-20T20:14:32Z) - Generalization bounds and algorithms for estimating conditional average
treatment effect of dosage [13.867315751451494]
本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。
これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。
この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
論文 参考訳(メタデータ) (2022-05-29T15:26:59Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳(メタデータ) (2021-12-14T17:53:01Z) - 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) - Stochastic Intervention for Causal Effect Estimation [7.015556609676951]
介入効果を推定するための新しい確率スコアと介入効果推定器(SIE)を提案する。
また,介入効果(Ge-SIO)に特異的な遺伝的アルゴリズムを設計し,意思決定の因果的証拠を提供する。
提案手法とアルゴリズムは,最先端のベースラインと比較して,大幅な性能向上を実現することができる。
論文 参考訳(メタデータ) (2021-05-27T01:12:03Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳(メタデータ) (2020-01-21T10:16:33Z)
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。