論文の概要: A flexible Bayesian g-formula for causal survival analyses with
time-dependent confounding
- arxiv url: http://arxiv.org/abs/2402.02306v1
- Date: Sun, 4 Feb 2024 00:30:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 20:53:14.266779
- Title: A flexible Bayesian g-formula for causal survival analyses with
time-dependent confounding
- Title(参考訳): 時間依存共起による因果生存解析のための柔軟なベイズ的g-形式
- Authors: Xinyuan Chen, Liangyuan Hu, Fan Li
- Abstract要約: 因果解析の一般的な目的は、仮説的介入シナリオの下で因果生存曲線を推定することである。
従来のパラメトリック g-formula アプローチを強化するため,より適応性の高いベイズ型 g-formula 推定器を開発した。
- 参考スコア(独自算出の注目度): 12.903984201929779
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In longitudinal observational studies with a time-to-event outcome, a common
objective in causal analysis is to estimate the causal survival curve under
hypothetical intervention scenarios within the study cohort. The g-formula is a
particularly useful tool for this analysis. To enhance the traditional
parametric g-formula approach, we developed a more adaptable Bayesian g-formula
estimator. This estimator facilitates both longitudinal predictive and causal
inference. It incorporates Bayesian additive regression trees in the modeling
of the time-evolving generative components, aiming to mitigate bias due to
model misspecification. Specifically, we introduce a more general class of
g-formulas for discrete survival data. These formulas can incorporate the
longitudinal balancing scores, which serve as an effective method for dimension
reduction and are vital when dealing with an expanding array of time-varying
confounders. The minimum sufficient formulation of these longitudinal balancing
scores is linked to the nature of treatment regimes, whether static or dynamic.
For each type of treatment regime, we provide posterior sampling algorithms,
which are grounded in the Bayesian additive regression trees framework. We have
conducted simulation studies to illustrate the empirical performance of our
proposed Bayesian g-formula estimators, and to compare them with existing
parametric estimators. We further demonstrate the practical utility of our
methods in real-world scenarios using data from the Yale New Haven Health
System's electronic health records.
- Abstract(参考訳): 時系列観察研究における因果解析の一般的な目的は、仮説的介入のシナリオの下で因果的生存曲線を推定することである。
g-formulaはこの解析に特に有用なツールである。
従来のパラメトリック g-formula アプローチを強化するため,より適応性の高いベイズ型 g-formula 推定器を開発した。
この推定器は、縦方向予測と因果推論の両方を促進する。
ベイジアン加法的回帰木を時間進化する生成成分のモデリングに取り入れ、モデル不特定性によるバイアスを軽減することを目的としている。
具体的には, 離散生存データに対するg-formulaのより一般的なクラスを導入する。
これらの式は、次元縮小の有効な方法として機能し、時間変化のある共同設立者の配列を拡大する際には不可欠である縦バランススコアを組み込むことができる。
これらの縦バランススコアの最小定式化は、静的であれ動的であれ、治療体制の性質と関係している。
それぞれの治療体制に対して,ベイジアン加法回帰木フレームワークを基盤とした後方サンプリングアルゴリズムを提案する。
我々は,提案したベイズ型g-ホルムラ推定器の実験的性能をシミュレーションし,既存のパラメトリック推定器と比較した。
さらに,Yale New Haven Health Systemの電子健康記録から得られたデータを用いて,実世界のシナリオにおける本手法の実用性を実証した。
関連論文リスト
- A Mean Field Approach to Empirical Bayes Estimation in High-dimensional
Linear Regression [8.345523969593492]
高次元線形回帰における経験的ベイズ推定について検討する。
もともとCarbonetto and Stephens (2012) と Kim et al. (2022) で導入された変分経験ベイズアプローチを採用する。
これは、空間性のない高次元回帰設定において、最初の厳密な経験的ベイズ法を提供する。
論文 参考訳(メタデータ) (2023-09-28T20:51:40Z) - Prediction model for rare events in longitudinal follow-up and
resampling methods [0.0]
時系列追跡研究において,レアイベント予測のためのモデル構築の問題点を考察する。
実生活における標準回帰モデルを改善するために,いくつかの再サンプリング手法を比較した。
論文 参考訳(メタデータ) (2023-06-19T14:36:52Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳(メタデータ) (2022-02-07T21:37:29Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳(メタデータ) (2021-12-29T23:37:06Z) - Optimal regularizations for data generation with probabilistic graphical
models [0.0]
経験的に、よく調和された正規化スキームは、推論されたモデルの品質を劇的に改善する。
生成的ペアワイドグラフィカルモデルの最大Aポストエリオーリ(MAP)推論におけるL2とL1の正規化について検討する。
論文 参考訳(メタデータ) (2021-12-02T14:45:16Z) - Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects
Estimation [0.0]
本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。
観察データを用いて不均一な治療効果を推定する。
論文 参考訳(メタデータ) (2021-02-12T15:24:50Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳(メタデータ) (2020-10-15T16:39:26Z)
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。