論文の概要: Continuous Treatment Effects with Surrogate Outcomes
- arxiv url: http://arxiv.org/abs/2402.00168v1
- Date: Wed, 31 Jan 2024 20:50:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 17:25:55.751785
- Title: Continuous Treatment Effects with Surrogate Outcomes
- Title(参考訳): サロゲートによる連続処理効果
- Authors: Zhenghao Zeng, David Arbour, Avi Feller, Raghavendra Addanki, Ryan
Rossi, Ritwik Sinha, Edward H. Kennedy
- Abstract要約: 本研究では,サロゲートを効率よく組み込んで連続処理効果を推定する2つのロバストな手法を提案する。
ラベル付きデータのみを使用する手法と比較して,分散性の改善の可能性を示す。
- 参考スコア(独自算出の注目度): 13.177898768597247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many real-world causal inference applications, the primary outcomes
(labels) are often partially missing, especially if they are expensive or
difficult to collect. If the missingness depends on covariates (i.e.,
missingness is not completely at random), analyses based on fully-observed
samples alone may be biased. Incorporating surrogates, which are fully observed
post-treatment variables related to the primary outcome, can improve estimation
in this case. In this paper, we study the role of surrogates in estimating
continuous treatment effects and propose a doubly robust method to efficiently
incorporate surrogates in the analysis, which uses both labeled and unlabeled
data and does not suffer from the above selection bias problem. Importantly, we
establish asymptotic normality of the proposed estimator and show possible
improvements on the variance compared with methods that solely use labeled
data. Extensive simulations show our methods enjoy appealing empirical
performance.
- Abstract(参考訳): 多くの実世界の因果推論アプリケーションでは、主要な結果(ラベル)が部分的に欠落していることが多い。
欠如が共変量に依存する場合(つまり、欠如は完全にランダムではない)、完全に観測されたサンプルのみに基づく分析は偏りがある。
一次結果に関連する処理後変数が完全に観察されたサロゲートを組み込むことは、この場合の推定を改善することができる。
本稿では, 連続処理効果の推定におけるサロゲートの役割について検討し, ラベル付きデータとラベルなしデータの両方を用いて, 上記の選択バイアス問題に苦しむことなく, 効率的にサロゲートを組み込む2つの頑健な手法を提案する。
重要なことは,提案した推定器の漸近正規性を確立し,ラベル付きデータのみを使用する手法と比較して分散性の向上の可能性を示す。
広範にシミュレーションした結果,実験的なパフォーマンスを享受できることがわかった。
関連論文リスト
- Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳(メタデータ) (2023-07-31T11:28:24Z) - The Decaying Missing-at-Random Framework: Doubly Robust Causal Inference
with Partially Labeled Data [10.021381302215062]
現実のシナリオでは、データ収集の制限によって部分的にラベル付けされたデータセットが生成されることが多く、信頼性の高い因果推論の描画が困難になる。
半パラメトリック(SS)や欠落したデータ文学における従来のアプローチは、これらの複雑さを適切に扱えないため、偏りのある見積もりにつながる可能性がある。
このフレームワークは、高次元設定における欠落した結果に対処し、選択バイアスを考慮に入れます。
論文 参考訳(メタデータ) (2023-05-22T07:37:12Z) - Data thinning for convolution-closed distributions [2.299914829977005]
本稿では,観測を2つ以上の独立した部分に分割する手法であるデータ薄型化を提案する。
教師なし学習手法の結果の検証には,データの薄化が有効であることを示す。
論文 参考訳(メタデータ) (2023-01-18T02:47:41Z) - To Impute or not to Impute? -- Missing Data in Treatment Effect
Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。
本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。
私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文 参考訳(メタデータ) (2022-02-04T12:08:31Z) - Deconfounded Score Method: Scoring DAGs with Dense Unobserved
Confounding [101.35070661471124]
本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。
汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-28T11:07:59Z) - 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) - Semi-supervised learning and the question of true versus estimated
propensity scores [0.456877715768796]
本稿では, 既知の確率関数が治療効果を推定するのに有用である, という強い直感を再現する簡単な手順を提案する。
さらに、シミュレーション研究は、多くの状況において逆正当性重み推定器よりも直接回帰が好ましいことを示唆している。
論文 参考訳(メタデータ) (2020-09-14T04:13:12Z) - On the role of surrogates in the efficient estimation of treatment
effects with limited outcome data [60.523606291705214]
一次関心の結果がほとんど観察されない場合, 治療効果を推定する問題について検討した。
平均治療効果(ATE)の半パラメトリック下限は,サロゲートの存在と非存在の両方で導かれる。
本稿では,フレキシブルな機械学習手法に基づくATE推定器と推論手法を提案し,ニュアンスパラメータを推定する。
論文 参考訳(メタデータ) (2020-03-27T13:31:49Z) - MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent
Variable Models [14.173184309520453]
因果推論の最先端の手法は、欠落した値を考慮していない。
欠落したデータは、適応された未確立仮説を必要とする。
欠落した値に適応した変分オートエンコーダを通じて分布を学習する潜在的共同設立者について考察する。
論文 参考訳(メタデータ) (2020-02-25T12:58:07Z) - Learning Overlapping Representations for the Estimation of
Individualized Treatment Effects [97.42686600929211]
観測データから代替案の可能性を推定することは難しい問題である。
入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。
我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
論文 参考訳(メタデータ) (2020-01-14T12:56:29Z)
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。