論文の概要: Causal Machine Learning for Moderation Effects
- arxiv url: http://arxiv.org/abs/2401.08290v1
- Date: Tue, 16 Jan 2024 11:34:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 14:11:13.047756
- Title: Causal Machine Learning for Moderation Effects
- Title(参考訳): モデレーション効果のための因果機械学習
- Authors: Nora Bearth, Michael Lechner
- Abstract要約: 我々は、新しいパラメータ、バランス付きグループ平均治療効果(BGATE)を提案する。
2つのBGATEの違いをとることで、2つのGATEを比較するよりも、より意味のある異質性を分析することができる。
追加の特定仮定を追加することで、グループ間の治療効果の特定のバランスの取れた差異を因果的に解釈することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: It is valuable for any decision maker to know the impact of decisions
(treatments) on average and for subgroups. The causal machine learning
literature has recently provided tools for estimating group average treatment
effects (GATE) to understand treatment heterogeneity better. This paper
addresses the challenge of interpreting such differences in treatment effects
between groups while accounting for variations in other covariates. We propose
a new parameter, the balanced group average treatment effect (BGATE), which
measures a GATE with a specific distribution of a priori-determined covariates.
By taking the difference of two BGATEs, we can analyse heterogeneity more
meaningfully than by comparing two GATEs. The estimation strategy for this
parameter is based on double/debiased machine learning for discrete treatments
in an unconfoundedness setting, and the estimator is shown to be
$\sqrt{N}$-consistent and asymptotically normal under standard conditions.
Adding additional identifying assumptions allows specific balanced differences
in treatment effects between groups to be interpreted causally, leading to the
causal balanced group average treatment effect. We explore the finite sample
properties in a small-scale simulation study and demonstrate the usefulness of
these parameters in an empirical example.
- Abstract(参考訳): 意思決定者にとって、意思決定(処理)が平均的およびサブグループに与える影響を知ることは価値がある。
因果機械学習の文献は、群平均治療効果(GATE)を推定し、治療の不均一性をよりよく理解するためのツールを提供している。
本稿では、他の共変量の変化を考慮しつつ、グループ間の治療効果の違いを解釈する上での課題について述べる。
本稿では,事前決定された共変量の特定の分布を持つゲートを測定する新しいパラメータであるバランスドグループ平均処理効果(bgate)を提案する。
2つのBGATEの違いをとることで、2つのGATEを比較するよりも、より意味のある異質性を分析することができる。
このパラメータの推定戦略は、非整合性設定における離散処理のための二重/偏平機械学習に基づいており、この推定器は標準条件下では$\sqrt{N}$-consistentおよび漸近正規であることを示す。
追加の特定仮定を加えることで、グループ間の治療効果の特定のバランスの取れた違いを因果的に解釈できる。
有限標本特性を小規模シミュレーション実験で検討し,実験例でこれらのパラメータの有用性を示す。
関連論文リスト
- Causal vs. Anticausal merging of predictors [57.26526031579287]
同じデータを用いて、因果方向と反因果方向の融合予測器から生じる差について検討した。
帰納的バイアスとしてCausal Maximum Entropy (CMAXENT) を用いて予測器をマージする。
論文 参考訳(メタデータ) (2025-01-14T20:38:15Z) - 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) - Geodesic Optimization for Predictive Shift Adaptation on EEG data [53.58711912565724]
ドメイン適応メソッドは、$X$と$y$で分散シフトが同時に発生したときに苦労する。
本稿では,GOPSA(Geodesic Optimization for Predictive Shift Adaptation)と呼ばれる新しい手法を提案する。
GOPSAは、脳波のバイオメディカル応用のための混合効果モデリングと機械学習を併用する可能性を持っている。
論文 参考訳(メタデータ) (2024-07-04T12:15:42Z) - CATE Lasso: Conditional Average Treatment Effect Estimation with
High-Dimensional Linear Regression [18.628644958430076]
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。
論文 参考訳(メタデータ) (2023-10-25T17:51:07Z) - Environment Invariant Linear Least Squares [16.831875263656027]
本稿では,複数の実験環境からのデータを収集する多環境線形回帰モデルについて考察する。
線形最小二乗回帰のマルチ環境バージョンである、新しい環境不変線形最小二乗関数(EILLS)を構築する。
論文 参考訳(メタデータ) (2023-03-06T13:10:54Z) - 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) - 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) - Variance Minimization in the Wasserstein Space for Invariant Causal
Prediction [72.13445677280792]
そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。
これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。
我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
論文 参考訳(メタデータ) (2021-10-13T22:30:47Z) - 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) - Double machine learning for sample selection models [0.12891210250935145]
本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。
a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
論文 参考訳(メタデータ) (2020-11-30T19:40:21Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。