論文の概要: Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression
- arxiv url: http://arxiv.org/abs/2408.05428v1
- Date: Sat, 10 Aug 2024 04:21:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 19:01:07.731447
- Title: Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression
- Title（参考訳）: 一般化エンカージュメントに基づく非現実的回帰のための機器変数
- Authors: Anpeng Wu, Kun Kuang, Ruoxuan Xiong, Xiangwei Chen, Zexu Sun, Fei Wu, Kun Zhang,
- Abstract要約: 本稿では,条件平均処理効果(CATE)を促進度の変化を用いて同定するための新しい理論とアルゴリズムを提案する。
本稿では、観察データと奨励データの両方を活用することで、因果効果を効果的に推定するために、Encouragement-based Counterfactual Regression (EnCounteR) と呼ばれる一般化IV推定器を提案する。
- 参考スコア（独自算出の注目度）: 33.869488994843394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In causal inference, encouragement designs (EDs) are widely used to analyze causal effects, when randomized controlled trials (RCTs) are impractical or compliance to treatment cannot be perfectly enforced. Unlike RCTs, which directly allocate treatments, EDs randomly assign encouragement policies that positively motivate individuals to engage in a specific treatment. These random encouragements act as instrumental variables (IVs), facilitating the identification of causal effects through leveraging exogenous perturbations in discrete treatment scenarios. However, real-world applications of encouragement designs often face challenges such as incomplete randomization, limited experimental data, and significantly fewer encouragements compared to treatments, hindering precise causal effect estimation. To address this, this paper introduces novel theories and algorithms for identifying the Conditional Average Treatment Effect (CATE) using variations in encouragement. Further, by leveraging both observational and encouragement data, we propose a generalized IV estimator, named Encouragement-based Counterfactual Regression (EnCounteR), to effectively estimate the causal effects. Extensive experiments on both synthetic and real-world datasets demonstrate the superiority of EnCounteR over existing methods.
- Abstract（参考訳）: 因果推論では、ランダム化制御試験(RCT)が非現実的であったり、治療へのコンプライアンスが完全に強制できない場合、因果効果を分析するために奨励設計(ED)が広く用いられる。
治療を直接割り当てるRDTとは異なり、EDSは個人が特定の治療に積極的に関与するための奨励ポリシーをランダムに割り当てる。
これらのランダムな刺激はインストゥルメンタル変数(IV)として働き、個々の治療シナリオにおける外因性摂動を利用して因果効果の同定を促進する。
しかし、励まし設計の現実的な応用は、不完全なランダム化、限られた実験データ、治療よりもはるかに少ない励まし、正確な因果効果の推定を妨げるような課題に直面していることが多い。
そこで本研究では, 条件平均処理効果(CATE)を促進度の変化を用いて同定するための新しい理論とアルゴリズムを提案する。
さらに、観測データと奨励データの両方を活用することにより、因果効果を効果的に推定するために、Encouragement-based Counterfactual Regression (EnCounteR)と呼ばれる一般化IV推定器を提案する。
合成データセットと実世界のデータセットの両方に対する大規模な実験は、既存の方法よりもEnCounteRの方が優れていることを示している。
関連論文リスト
- Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。
ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
論文 参考訳（メタデータ） (2024-10-21T07:24:26Z) - Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations [1.9785304593748243]
観測データからヘテロジニアス処理効果 (HTE) を推定する方法は, 連続的あるいは2次的な結果に大きく焦点が当てられている。
我々は、競合するリスクを伴わずに生存結果の検閲未バイアス変換(CUT)を開発する。
論文 参考訳（メタデータ） (2024-01-20T16:17:06Z) - Causal Dynamic Variational Autoencoder for Counterfactual Regression in
Longitudinal Data [3.662229789022107]
時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。
我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。
我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
論文 参考訳（メタデータ） (2023-10-16T16:32:35Z) - 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) - Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。
最適な治療体制を効率的に学習するための強化学習法を開発した。
論文 参考訳（メタデータ） (2021-12-08T20:22:04Z) - 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) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - A standardized framework for risk-based assessment of treatment effect
heterogeneity in observational healthcare databases [60.07352590494571]
本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。
アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
論文 参考訳（メタデータ） (2020-10-13T14:48:31Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - 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) - 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。