論文の概要: Heterogeneous Treatment Effects in Panel Data

• arxiv url: http://arxiv.org/abs/2406.05633v1
• Date: Sun, 9 Jun 2024 04:02:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-11 18:46:42.943946
• Title: Heterogeneous Treatment Effects in Panel Data
• Title（参考訳）: パネルデータの不均一処理効果
• Authors: Retsef Levi, Elisabeth Paulson, Georgia Perakis, Emily Zhang,
• Abstract要約: 回帰木を用いて,観測結果を類似の処理効果で解離クラスタに分割する手法を提案し,評価する。 我々の理論的結果は、結果の見積もりを真の治療効果に収束させるものである。
• 参考スコア（独自算出の注目度）: 1.5535138991304305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address a core problem in causal inference: estimating heterogeneous treatment effects using panel data with general treatment patterns. Many existing methods either do not utilize the potential underlying structure in panel data or have limitations in the allowable treatment patterns. In this work, we propose and evaluate a new method that first partitions observations into disjoint clusters with similar treatment effects using a regression tree, and then leverages the (assumed) low-rank structure of the panel data to estimate the average treatment effect for each cluster. Our theoretical results establish the convergence of the resulting estimates to the true treatment effects. Computation experiments with semi-synthetic data show that our method achieves superior accuracy compared to alternative approaches, using a regression tree with no more than 40 leaves. Hence, our method provides more accurate and interpretable estimates than alternative methods.
• Abstract（参考訳）: 我々は、一般的な治療パターンを用いたパネルデータを用いた不均一な治療効果の推定という、因果推論における中核的な問題に対処する。 多くの既存の手法では、パネルデータの潜在的な基盤構造を利用していないか、許容可能な処理パターンに制限がある。 本研究では、まず、回帰木を用いて、観測結果を類似した処理効果で解離クラスタに分割し、次に、パネルデータの(仮定された)低ランク構造を利用して各クラスタの平均処理効果を推定する新しい手法を提案し、評価する。 我々の理論的結果は、結果の見積もりを真の治療効果に収束させるものである。 半合成データを用いた計算実験により,40葉未満の回帰木を用いて,本手法は代替手法よりも精度が高いことを示した。 したがって,本手法は代替手法よりも精度が高く解釈可能な推定値を提供する。

関連論文リスト

• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• Heterogeneous treatment effect estimation with subpopulation identification for personalized medicine in opioid use disorder [8.508048654384787]
  本稿では,サブグループ同定と治療効果推定を組み込んだ,新しいニューラルネットワークベースのフレームワークSubgroupTEを紹介する。 オピオイド使用障害(OUD)に関連する実世界のデータセットの実験は、パーソナライズされた治療勧告を強化するためのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-01-30T14:02:49Z)
• Counterfactual Data Augmentation with Contrastive Learning [27.28511396131235]
  本稿では,選択したサブセットに対して,結果に反する結果をもたらすモデルに依存しないデータ拡張手法を提案する。 我々は、比較学習を用いて表現空間と類似度尺度を学習し、学習された類似度尺度で同定された個人に近い学習空間において、同様の潜在的な結果が得られるようにした。 この性質は、代替治療群から近接した近縁者に対する対実的な結果の信頼性の高い計算を保証する。
  論文  参考訳（メタデータ） (2023-11-07T00:36:51Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects [0.1398098625978622]
  複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。 本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
  論文  参考訳（メタデータ） (2023-03-28T20:43:00Z)
• Generalized Causal Tree for Uplift Modeling [7.614863322262727]
  昇降モデリングは、マーケティングやポリシー作成からパーソナライズされたレコメンデーションまで、様々なアプリケーションにおいて重要である。 主な目的は、異種集団に対する最適な治療割り当てを学習することである。 複数の離散的かつ連続的な処理に対処するためのツリーベースアプローチの一般化を提案する。
  論文  参考訳（メタデータ） (2022-02-04T22:27:49Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
  本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。 提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。 2倍のロス率推定フレームワークの下では、その優位性を維持している。
  論文  参考訳（メタデータ） (2020-12-26T20:15:44Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)

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。