論文の概要: Two-Stage Nuisance Function Estimation for Causal Mediation Analysis

• arxiv url: http://arxiv.org/abs/2404.00735v3
• Date: Sun, 28 Sep 2025 20:55:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 20:10:04.127433
• Title: Two-Stage Nuisance Function Estimation for Causal Mediation Analysis
• Title（参考訳）: 因果メディエーション分析のための2段階ニュアンス関数推定
• Authors: Chang Liu, AmirEmad Ghassami,
• Abstract要約: Tchetgen Tchetgen and Shpitser (2012) は、メディエーション機能に対する効率的で、偏りがあり、堅牢な影響関数に基づく推定器を導入した。 この推定器は治療、メディエーター、および結果平均メカニズムに依存している。 本研究では、4つのニュアンス関数を必要とする可能性関数の特定の再パラメータ化について考察する。
• 参考スコア（独自算出の注目度）: 7.249329619438622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tchetgen Tchetgen and Shpitser (2012) introduced an efficient, debiased, and robust influence function-based estimator for the mediation functional, which is the key component in mediation analysis. This estimator relies on the treatment, mediator, and outcome mean mechanisms. However, treating these three mechanisms as nuisance functions and fitting them as accurately as possible may not be the most effective approach. Instead, it is essential to identify the specific functionals and aspects of these mechanisms that impact the estimation of the mediation functional. In this work, we consider a specific reparametrization of the likelihood function that requires four nuisance functions. To estimate them, we propose a two-stage estimation strategy guided by the role of the nuisance functions in the bias structure of the influence function-based estimator. In particular, two of the functions are estimated using a novel nonparametric weighted balancing approach that directly targets the bias of the final mediation functional estimator. We show that the resulting estimator is consistent and asymptotically normal under certain conditions and attains multiple robustness against misspecifications of the nuisance functions. In simulations, our estimator demonstrated better stability and reduced bias and mean squared error compared to the original influence function-based estimator and a naive estimator. In an application to NHANES 2013-2014 data, our approach suggests that obesity results in a 60% higher odds of coronary heart disease, with roughly 35% higher odds attributable to the direct pathway independent of Glycohemoglobin.
• Abstract（参考訳）: Tchetgen Tchetgen and Shpitser (2012) は、メディエーション解析において重要な要素であるメディエーション機能に対する効率的で、偏りがあり、堅牢な影響関数に基づく推定器を導入した。 この推定器は治療、メディエーター、および結果平均メカニズムに依存している。 しかし、これら3つのメカニズムをニュアンス関数として扱い、可能な限り正確に適合させることは、最も効果的なアプローチではないかもしれない。 代わりに、メディエーション機能の推定に影響を与えるこれらのメカニズムの特定の機能と側面を特定することが不可欠である。 本研究では、4つのニュアンス関数を必要とする可能性関数の特定の再パラメータ化について考察する。 そこで本研究では,影響関数に基づく推定器のバイアス構造におけるニュアンス関数の役割を導いた2段階推定手法を提案する。 特に、2つの関数は、最終的な媒介関数推定器のバイアスを直接対象とする、新しい非パラメトリック重み付けバランスアプローチを用いて推定される。 得られた推定器は一定の条件下で一定かつ漸近的に正常であり、ニュアンス関数の誤特定に対して複数のロバスト性が得られることを示す。 シミュレーションでは, 従来の影響関数に基づく推定器とナイーブ推定器と比較して, 安定性とバイアスの低減, 平均二乗誤差が向上した。 NHANES 2013-2014データに適用したところ、肥満は冠動脈疾患の確率が60%高く、Glycohemoglobinに依存しない直接的な経路に起因する確率が約35%高いことが示唆された。

関連論文リスト

• Debiased Ill-Posed Regression [8.495265117285223]
  本稿では,予測誤差の修正による影響関数に基づく偏り推定手法を提案する。 提案した推定器は、関連するニュアンス関数に対して二階偏差を有する。
  論文  参考訳（メタデータ） (2025-05-27T06:47:33Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Nuisance Function Tuning and Sample Splitting for Optimal Doubly Robust Estimation [5.018363990542611]
  二重頑健な非パラメトリック関数に対する収束率の最適値を求めるために、ニュアンス関数を推定する方法の問題点を考察する。 プラグインおよび一階偏り補正された推定器は、ニュアンス関数のすべてのH"古い滑らか度クラスに対して収束の最小値が得られることを示す。
  論文  参考訳（メタデータ） (2022-12-30T18:17:06Z)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [152.4519491244279]
  我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。 干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。 このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)
• Sequential Decision Making on Unmatched Data using Bayesian Kernel Embeddings [10.75801980090826]
  本稿では,関数の期待値を最大化する新しいアルゴリズムを提案する。 特徴の条件分布と未知関数の両方から導かれる不確実性について考察する。 本アルゴリズムは,実験において,現在最先端のアルゴリズムよりも経験的に優れている。
  論文  参考訳（メタデータ） (2022-10-25T01:27:29Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Inference on Strongly Identified Functionals of Weakly Identified Functions [71.42652863687117]
  本研究では,ニュアンス関数が存在しない場合でも,関数を強く識別するための新しい条件について検討する。 本稿では,プライマリおよびデバイアスのニュアンス関数に対するペナル化ミニマックス推定器を提案する。
  論文  参考訳（メタデータ） (2022-08-17T13:38:31Z)
• Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
  線形関数近似を用いた強化学習における非政治的評価問題について検討する。 本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
  論文  参考訳（メタデータ） (2021-06-22T17:58:46Z)
• Multiply Robust Causal Mediation Analysis with Continuous Treatments [12.196869756333797]
  Tchetgen Tchetgen と Shpitser の影響関数に基づく推定器 (2012) に触発された継続的治療の設定に適した推定器を提案する。 提案手法はクロスフィッティングを用いて,ニュアンス関数の滑らかさ要件を緩和し,対象パラメータよりも遅い速度で推定できるようにする。
  論文  参考訳（メタデータ） (2021-05-19T16:58:57Z)
• Minimax Kernel Machine Learning for a Class of Doubly Robust Functionals [16.768606469968113]
  もともと導入された二重頑健なモーメント関数のクラスを考える(Robins et al., 2008)。 このモーメント関数は、ニュアンス関数の推定方程式の構築に使用できることを実証する。 ニュアンス関数の収束速度は、統計学習理論の現代的な手法を用いて解析される。
  論文  参考訳（メタデータ） (2021-04-07T05:52:15Z)
• Causal Inference Under Unmeasured Confounding With Negative Controls: A Minimax Learning Approach [84.29777236590674]
  すべての共同設立者が観察されず、代わりに負の制御が利用可能である場合の因果パラメータの推定について検討する。 最近の研究は、2つのいわゆるブリッジ関数による同定と効率的な推定を可能にする方法を示している。
  論文  参考訳（メタデータ） (2021-03-25T17:59:19Z)
• Causal Estimation with Functional Confounders [24.54466899641308]
  因果推論は、無知と肯定性の2つの基本的な仮定に依存します。 真共起値が観測データの関数として表現できる場合の因果推論について検討する。 この設定では、不可知性は満たされるが、肯定性は侵害され、因果推論は一般に不可能である。
  論文  参考訳（メタデータ） (2021-02-17T02:16:21Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)
• Mixability of Integral Losses: a Key to Efficient Online Aggregation of Functional and Probabilistic Forecasts [72.32459441619388]
  基本混合(および指数的に凹)損失関数を適用して機能的予測を比較し、これらの適応が混合可能であることを証明する(exp-concave)。 主な結果の応用として、確率予測に使用される様々な損失関数が混合可能であることを示す(exp-concave)。
  論文  参考訳（メタデータ） (2019-12-15T14:25:33Z)

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。