論文の概要: A Bayesian Classification Trees Approach to Treatment Effect Variation with Noncompliance
- arxiv url: http://arxiv.org/abs/2408.07765v1
- Date: Wed, 14 Aug 2024 18:33:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-16 15:48:53.104695
- Title: A Bayesian Classification Trees Approach to Treatment Effect Variation with Noncompliance
- Title(参考訳): 非コンプライアンスによる治療効果変動に対するベイズ分類木アプローチ
- Authors: Jared D. Fisher, David W. Puelz, Sameer K. Deshpande,
- Abstract要約: 非準拠のランダム化試験における様々な治療効果を推定することは本質的に困難である。
両手法の最良の特徴を組み合わせたベイズ的機械学習手法を提案する。
- 参考スコア(独自算出の注目度): 0.5356944479760104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating varying treatment effects in randomized trials with noncompliance is inherently challenging since variation comes from two separate sources: variation in the impact itself and variation in the compliance rate. In this setting, existing frequentist and flexible machine learning methods are highly sensitive to the weak instruments problem, in which the compliance rate is (locally) close to zero. Bayesian approaches, on the other hand, can naturally account for noncompliance via imputation. We propose a Bayesian machine learning approach that combines the best features of both approaches. Our main methodological contribution is to present a Bayesian Causal Forest model for binary response variables in scenarios with noncompliance by repeatedly imputing individuals' compliance types, allowing us to flexibly estimate varying treatment effects among compliers. Simulation studies demonstrate the usefulness of our approach when compliance and treatment effects are heterogeneous. We apply the method to detect and analyze heterogeneity in the treatment effects in the Illinois Workplace Wellness Study, which not only features heterogeneous and one-sided compliance but also several binary outcomes of interest. We demonstrate the methodology on three outcomes one year after intervention. We confirm a null effect on the presence of a chronic condition, discover meaningful heterogeneity in a "bad health" outcome that cancels out to null in classical partial effect estimates, and find substantial heterogeneity in individuals' perception of management prioritization of health and safety.
- Abstract(参考訳): 非コンプライアンスのランダム化試験において、異なる治療効果を推定することは、本質的に困難である。
この設定では、既存の頻繁で柔軟な機械学習手法は、コンプライアンス率が(局所的に)ゼロに近い弱い機器問題に非常に敏感である。
一方、ベイズ的アプローチは自然に計算によって非コンプライアンスを説明できる。
両手法の最良の特徴を組み合わせたベイズ的機械学習手法を提案する。
本研究の主な手法は, 個別のコンプライアンス・タイプを繰り返すことによって, 非コンプライアンスシナリオにおけるバイナリ応答変数に対するベイズ因果フォレストモデルを提案することであり, 適合者間での対応効果の変動を柔軟に推定することができる。
シミュレーション研究は、コンプライアンスと治療効果が不均一である場合のアプローチの有用性を実証する。
本研究では,イリノイワークプレースウェルネス研究における治療効果の不均一性の検出と解析に応用する。
我々は介入から1年後の3つの結果について方法論を実証した。
我々は、慢性的な状態の存在に対する無効効果を確認し、古典的な部分的効果推定において無効となる「悪い健康」結果において有意義な不均一性を発見し、健康と安全のマネジメント優先性に対する個人の認識において、実質的な不均一性を見出す。
関連論文リスト
- Variable importance for causal forests: breaking down the heterogeneity
of treatment effects [0.0]
我々は、因果樹林の新しい重要変数アルゴリズムを開発した。
共起変数を使わずに森林再訓練の扱い方を示す。
シミュレーション,半合成,実データによる実験は,我々の重要度尺度の優れた性能を示す。
論文 参考訳(メタデータ) (2023-08-07T07:43:42Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳(メタデータ) (2023-07-11T02:58:10Z) - Causal Inference under Data Restrictions [0.0]
この論文は、不確実性とデータ制限の下での現代の因果推論に焦点を当てている。
これには、ネオアジュバント臨床試験、分散データネットワーク、堅牢な個別化意思決定へのアプリケーションが含まれる。
論文 参考訳(メタデータ) (2023-01-20T20:14:32Z) - Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。
これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。
我々はこれらの考え方を非政治評価フレームワークに一般化する。
論文 参考訳(メタデータ) (2022-11-02T23:39:36Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - 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) - 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) - 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) - Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。
これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。
本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-12T09:50:42Z)
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。