論文の概要: Dynamic Local Average Treatment Effects

• arxiv url: http://arxiv.org/abs/2405.01463v1
• Date: Thu, 2 May 2024 16:52:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 15:45:41.932954
• Title: Dynamic Local Average Treatment Effects
• Title（参考訳）: 局所的平均処理効果
• Authors: Ravi B. Sojitra, Vasilis Syrgkanis,
• Abstract要約: 我々は、デジタルレコメンデーションや適応医療トライアルなどの応用において、一方の非準拠を伴う動的治療規則(DTR)を検討する。 局所的局所的平均処理効果の非パラメトリック同定,推定,推定を行う。
• 参考スコア（独自算出の注目度）: 19.014535120129338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider Dynamic Treatment Regimes (DTRs) with one sided non-compliance that arise in applications such as digital recommendations and adaptive medical trials. These are settings where decision makers encourage individuals to take treatments over time, but adapt encouragements based on previous encouragements, treatments, states, and outcomes. Importantly, individuals may choose to (not) comply with a treatment recommendation, whenever it is made available to them, based on unobserved confounding factors. We provide non-parametric identification, estimation, and inference for Dynamic Local Average Treatment Effects, which are expected values of multi-period treatment contrasts among appropriately defined complier subpopulations. Under standard assumptions in the Instrumental Variable and DTR literature, we show that one can identify local average effects of contrasts that correspond to offering treatment at any single time step. Under an additional cross-period effect-compliance independence assumption, which is satisfied in Staggered Adoption settings and a generalization of them, which we define as Staggered Compliance settings, we identify local average treatment effects of treating in multiple time periods.
• Abstract（参考訳）: 我々は、デジタルレコメンデーションや適応医療トライアルなどの応用において、一方の非準拠を伴う動的治療規則(DTR)を検討する。 これらは、意思決定者が個人が時間とともに治療を受けることを奨励するが、以前の奨励、治療、状態、結果に基づいて奨励を適応する設定である。 重要なのは、個人が治療勧告を遵守する(従わない)ことを選択できることだ。 本研究では,多周期処理コントラストの予測値である動的局所的平均処理効果の非パラメトリック同定,推定,推定を行う。 インストゥルメンタル・バリアブルとDTRの文献における標準的な仮定では、任意の時間ステップで治療を行うためのコントラストの局所的な平均効果を識別できることが示される。 また,Saggered Adoption 設定で満足するクロス周期効果コンプライアンス独立仮定と,Saggered Compliance 設定と定義するそれらの一般化により,複数の期間における治療の局所的平均処理効果を同定する。

関連論文リスト

• Robust Learning for Optimal Dynamic Treatment Regimes with Observational Data [0.0]
  本研究では,各段階の個人に対する最適な治療課題を個人の歴史に基づいて導く,最適な動的治療体制(DTR)の統計的学習について検討する。 逐次的無知を前提とした観測データを用いて最適なDTRを学習するためのステップワイド・ダブル・ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2024-03-30T02:33:39Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• 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)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Estimation of Optimal Dynamic Treatment Assignment Rules under Policy Constraints [0.0]
  個人の歴史に基づいて各段階毎の最適治療課題を導出する最適動的治療則を推定することを検討する。 本稿では,各段階における処理代入問題を帰納的に解く方法と,全段階にわたる動的処理代入問題を同時に解く方法の2つを提案する。
  論文  参考訳（メタデータ） (2021-06-09T12:42:53Z)
• Evaluating (weighted) dynamic treatment effects by double machine learning [0.12891210250935145]
  本研究では,データ駆動方式で動的処理の因果効果を評価する。 いわゆるNeyman-orthogonal score関数を用いて,中等度(局所的な)不特定性に対する治療効果推定の頑健さを示唆する。 推定子は正規に正規であり、特定の条件下では$sqrtn$-consistentであることを示す。
  論文  参考訳（メタデータ） (2020-12-01T09:55:40Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。