論文の概要: Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction
- arxiv url: http://arxiv.org/abs/2407.16037v1
- Date: Mon, 22 Jul 2024 20:28:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-24 19:15:20.073685
- Title: Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction
- Title（参考訳）: ランダム化実験における分散処理効果の推定:分散化のための機械学習
- Authors: Undral Byambadalai, Tatsushi Oka, Shota Yasui,
- Abstract要約: ランダム化実験における分散処理効果パラメータを推定するための新しい回帰調整法を提案する。
提案手法では,事前処理による協調処理を分散回帰フレームワークに組み込み,機械学習技術を用いて分散処理効果推定器の精度を向上させる。
- 参考スコア（独自算出の注目度）: 6.909352249236339
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel regression adjustment method designed for estimating distributional treatment effect parameters in randomized experiments. Randomized experiments have been extensively used to estimate treatment effects in various scientific fields. However, to gain deeper insights, it is essential to estimate distributional treatment effects rather than relying solely on average effects. Our approach incorporates pre-treatment covariates into a distributional regression framework, utilizing machine learning techniques to improve the precision of distributional treatment effect estimators. The proposed approach can be readily implemented with off-the-shelf machine learning methods and remains valid as long as the nuisance components are reasonably well estimated. Also, we establish the asymptotic properties of the proposed estimator and present a uniformly valid inference method. Through simulation results and real data analysis, we demonstrate the effectiveness of integrating machine learning techniques in reducing the variance of distributional treatment effect estimators in finite samples.
- Abstract（参考訳）: ランダム化実験における分散処理効果パラメータを推定するための新しい回帰調整法を提案する。
ランダム化実験は様々な科学分野における治療効果を推定するために広く用いられている。
しかし、より深い洞察を得るためには、平均的な効果にのみ依存するのではなく、分布的処理効果を推定することが不可欠である。
提案手法は, 分散回帰フレームワークに前処理共変体を組み込み, 機械学習技術を用いて分散処理効果推定器の精度を向上する。
提案手法は既成の機械学習手法で容易に実装可能であり,ニュアンス成分が合理的に推定される限り有効である。
また,提案した推定器の漸近特性を確立し,一様に有効な推定法を提案する。
シミュレーション結果と実データ解析により,有限標本における分布処理効果推定器の分散を低減させる機械学習技術の統合の有効性を実証する。
関連論文リスト
- STATE: A Robust ATE Estimator of Heavy-Tailed Metrics for Variance Reduction in Online Controlled Experiments [22.32661807469984]
我々は、学生のt分布と機械学習ツールを統合して、ヘビーテールのメトリクスに適合する新しいフレームワークを開発する。
ログ類似度関数を最適化するために変分EM法を採用することにより、アウトリアの負の影響を大幅に排除するロバストな解を推測できる。
Meituan実験プラットフォーム上での合成データと長期実験結果のシミュレーションにより,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-07-23T09:35:59Z) - Uncertainty Quantification in Heterogeneous Treatment Effect Estimation
with Gaussian-Process-Based Partially Linear Model [2.1212179660694104]
個人間での不均一な治療効果を推定することは、批判的な意思決定を行うための統計ツールとして注目されている。
比較的小さなサンプルサイズ設定での意思決定を支援するために,治療効果推定の不確かさを定量化するベイズ推論フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-16T12:42:28Z) - Adaptive Instrument Design for Indirect Experiments [48.815194906471405]
RCTとは異なり、間接的な実験は条件付き機器変数を利用して治療効果を推定する。
本稿では,データ収集ポリシーを適応的に設計することで,間接実験におけるサンプル効率の向上に向けた最初のステップについて述べる。
我々の主な貢献は、影響関数を利用して最適なデータ収集ポリシーを探索する実用的な計算手順である。
論文 参考訳（メタデータ） (2023-12-05T02:38:04Z) - Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning [0.0]
本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。
提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。
また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
論文 参考訳（メタデータ） (2023-07-03T14:27:15Z) - 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) - Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
異種治療効果を学習するための2段階損失関数を提案する。
提案手法は,市販の損失最小化機械学習手法により実装できる。
論文 参考訳（メタデータ） (2023-01-26T02:56:36Z) - 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) - Causal Effect Variational Autoencoder with Uniform Treatment [50.895390968371665]
因果効果変動オートエンコーダ(CEVAE)をトレーニングし、観察処理データから結果を予測する。
均一処理変分オートエンコーダ (UTVAE) は, 重要サンプリングを用いて均一な処理分布を訓練する。
論文 参考訳（メタデータ） (2021-11-16T17:40:57Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - 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) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。