論文の概要: Identification and Estimation of the Bi-Directional MR with Some Invalid Instruments

• arxiv url: http://arxiv.org/abs/2407.07933v1
• Date: Wed, 10 Jul 2024 12:58:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 21:48:59.213001
• Title: Identification and Estimation of the Bi-Directional MR with Some Invalid Instruments
• Title（参考訳）: 無効機器を用いた双方向MRの同定と推定
• Authors: Feng Xie, Zhen Yao, Lin Xie, Yan Zeng, Zhi Geng,
• Abstract要約: 両方向メンデルランダム化(MR)における純粋観測データから因果効果を推定する難題について考察する。 本稿ではまず,観測データから双方向MRの同定を理論的に検討する。 我々は,有効なIV集合を発見し,興味の因果効果を推定するクラスタ融合的手法を開発した。
• 参考スコア（独自算出の注目度）: 10.332963283207777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the challenging problem of estimating causal effects from purely observational data in the bi-directional Mendelian randomization (MR), where some invalid instruments, as well as unmeasured confounding, usually exist. To address this problem, most existing methods attempt to find proper valid instrumental variables (IVs) for the target causal effect by expert knowledge or by assuming that the causal model is a one-directional MR model. As such, in this paper, we first theoretically investigate the identification of the bi-directional MR from observational data. In particular, we provide necessary and sufficient conditions under which valid IV sets are correctly identified such that the bi-directional MR model is identifiable, including the causal directions of a pair of phenotypes (i.e., the treatment and outcome). Moreover, based on the identification theory, we develop a cluster fusion-like method to discover valid IV sets and estimate the causal effects of interest. We theoretically demonstrate the correctness of the proposed algorithm. Experimental results show the effectiveness of our method for estimating causal effects in bi-directional MR.
• Abstract（参考訳）: 両方向メンデルランダム化(MR)における純粋観測データから因果効果を推定する難しい問題について考察する。 この問題に対処するために、既存のほとんどの手法は、専門家の知識によって、あるいは因果モデルが一方向MRモデルであると仮定して、対象因果効果の適切な有効器用変数(IV)を見つけようとする。 そこで,本稿ではまず,観測データから双方向MRの同定を理論的に検討する。 特に、一対の表現型(すなわち、治療と結果)の因果方向を含む双方向MRモデルが識別可能であるように、有効なIV集合が正しく同定される必要十分条件を提供する。 さらに、同定理論に基づいて、有効なIV集合を発見し、興味の因果効果を推定するクラスタ融合のような手法を開発する。 理論的に提案アルゴリズムの正しさを実証する。 両方向MRの因果効果を推定するための方法の有効性を実験的に検証した。

関連論文リスト

• Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
  本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。 サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
  論文  参考訳（メタデータ） (2023-09-13T18:53:11Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Data-Driven Estimation of Heterogeneous Treatment Effects [12.746252866743385]
  異種治療効果推定(ヘテロジニアス・エフェクト・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント・アセスメント)は、経験科学において重要な問題である。 機械学習を用いた不均一な処理効果推定のための最先端データ駆動手法について調査する。
  論文  参考訳（メタデータ） (2023-01-16T21:36:49Z)
• NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation [37.361149306896024]
  観測データからの因果効果推定は因果推論における中心的な問題である。 我々はニューロシンボリック因果効果推定器(NESTER)という適応手法を提案する。 我々の総合的な実験結果から、NESTERはベンチマークデータセットの最先端手法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2022-11-08T16:48:46Z)
• Identifiability of Sparse Causal Effects using Instrumental Variables [5.368313160283353]
  弱条件下では因果係数が識別可能であることが証明され、因果関係の親の数と同じくらい楽器の数が小さいモデルでも特定できる。 推定器として spaceIV を提案し,モデルが同定可能であれば因果効果を常に推定し,その性能をシミュレーションデータ上で評価する。
  論文  参考訳（メタデータ） (2022-03-17T15:15:52Z)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Correct block-design experiments mitigate temporal correlation bias in EEG classification [68.85562949901077]
  [1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。 脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:25:21Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。 本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。 その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。