論文の概要: Uncertainty Quantification in Heterogeneous Treatment Effect Estimation
with Gaussian-Process-Based Partially Linear Model
- arxiv url: http://arxiv.org/abs/2312.10435v1
- Date: Sat, 16 Dec 2023 12:42:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 16:27:02.046430
- Title: Uncertainty Quantification in Heterogeneous Treatment Effect Estimation
with Gaussian-Process-Based Partially Linear Model
- Title（参考訳）: ガウス過程に基づく部分線形モデルによる不均一処理効果推定の不確かさの定量化
- Authors: Shunsuke Horii, Yoichi Chikahara
- Abstract要約: 個人間での不均一な治療効果を推定することは、批判的な意思決定を行うための統計ツールとして注目されている。
比較的小さなサンプルサイズ設定での意思決定を支援するために,治療効果推定の不確かさを定量化するベイズ推論フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.1212179660694104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating heterogeneous treatment effects across individuals has attracted
growing attention as a statistical tool for performing critical
decision-making. We propose a Bayesian inference framework that quantifies the
uncertainty in treatment effect estimation to support decision-making in a
relatively small sample size setting. Our proposed model places Gaussian
process priors on the nonparametric components of a semiparametric model called
a partially linear model. This model formulation has three advantages. First,
we can analytically compute the posterior distribution of a treatment effect
without relying on the computationally demanding posterior approximation.
Second, we can guarantee that the posterior distribution concentrates around
the true one as the sample size goes to infinity. Third, we can incorporate
prior knowledge about a treatment effect into the prior distribution, improving
the estimation efficiency. Our experimental results show that even in the small
sample size setting, our method can accurately estimate the heterogeneous
treatment effects and effectively quantify its estimation uncertainty.
- Abstract（参考訳）: 個人間の不均一な治療効果の推定は、重要な意思決定を行う統計的ツールとして注目を集めている。
比較的小さなサンプルサイズ設定での意思決定を支援するために,治療効果推定の不確かさを定量化するベイズ推論フレームワークを提案する。
提案モデルでは,部分線形モデルと呼ばれる半パラメトリックモデルの非パラメトリック成分にガウス過程を事前配置する。
このモデルには3つの利点がある。
まず,処理効果の後方分布を計算要求後近似に頼らずに解析的に計算することができる。
第2に、サンプルサイズが無限になるにつれて、後方分布が真の分布の周りに集中することを保証できる。
第3に,治療効果に関する事前知識を事前分布に組み込むことができ,推定効率が向上する。
実験の結果, 試料サイズが小さくても不均一な処理効果を正確に推定でき, 推定の不確かさを効果的に定量化できることがわかった。
関連論文リスト
- Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction [6.909352249236339]
ランダム化実験における分散処理効果パラメータを推定するための新しい回帰調整法を提案する。
提案手法では,事前処理による協調処理を分散回帰フレームワークに組み込み,機械学習技術を用いて分散処理効果推定器の精度を向上させる。
論文 参考訳（メタデータ） (2024-07-22T20:28:29Z) - 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) - Asymptotically Unbiased Synthetic Control Methods by Distribution Matching [14.030354616779325]
既存の合成制御法(SCM)は内在性問題、未処理単位の結果と合成制御の誤差項との相関に悩まされ、処理効果推定器のバイアスが生じる。
本研究では,非処理単位の接合密度の重み付き平均により,処理単位の結果の密度を近似できると仮定して,密度マッチングに基づく新しいSCMを提案する。
論文 参考訳（メタデータ） (2023-07-20T15:52:22Z) - Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。
これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。
我々はこれらの考え方を非政治評価フレームワークに一般化する。
論文 参考訳（メタデータ） (2022-11-02T23:39:36Z) - 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) - 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) - Covariate-Balancing-Aware Interpretable Deep Learning models for
Treatment Effect Estimation [15.465045049754336]
本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。
新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。
提案手法は、因果推論のためのベンチマークデータセットを再検討し、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-03-07T07:42:40Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。
提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。
2倍のロス率推定フレームワークの下では、その優位性を維持している。
論文 参考訳（メタデータ） (2020-12-26T20:15:44Z) - 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)
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。