論文の概要: Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments

• arxiv url: http://arxiv.org/abs/2409.06593v1
• Date: Tue, 10 Sep 2024 15:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-09-11 16:59:09.660004
• Title: Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments
• Title（参考訳）: 因果推論の促進:連続治療によるATEおよびCATE推定の非パラメトリック的アプローチ
• Authors: Hugo Gobato Souto, Francisco Louzada Neto,
• Abstract要約: 本稿では, 連続処理における平均処理効果 (ATE) と条件平均処理効果 (CATE) を推定するための一般化されたps-BARTモデルを提案する。 ps-BARTモデルの非パラメトリックな性質は、処理と結果変数の間の非線形関係を捉える柔軟性をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper introduces a generalized ps-BART model for the estimation of Average Treatment Effect (ATE) and Conditional Average Treatment Effect (CATE) in continuous treatments, addressing limitations of the Bayesian Causal Forest (BCF) model. The ps-BART model's nonparametric nature allows for flexibility in capturing nonlinear relationships between treatment and outcome variables. Across three distinct sets of Data Generating Processes (DGPs), the ps-BART model consistently outperforms the BCF model, particularly in highly nonlinear settings. The ps-BART model's robustness in uncertainty estimation and accuracy in both point-wise and probabilistic estimation demonstrate its utility for real-world applications. This research fills a crucial gap in causal inference literature, providing a tool better suited for nonlinear treatment-outcome relationships and opening avenues for further exploration in the domain of continuous treatment effect estimation.
• Abstract（参考訳）: 本稿では, ベイジアンカウサルフォレスト(BCF)モデルの限界に対処するため, 連続処理における平均処理効果(ATE)と条件平均処理効果(CATE)を推定するための一般化されたps-BARTモデルを提案する。 ps-BARTモデルの非パラメトリックな性質は、処理と結果変数の間の非線形関係を捉える柔軟性をもたらす。 データ生成プロセス(DGP)の3つの異なるセットの中で、ps-BARTモデルはBCFモデル、特に非常に非線形な設定において一貫して優れる。 ps-BARTモデルにおける不確実性推定と不確実性推定の堅牢性は,実世界のアプリケーションに有効であることを示す。 本研究は、因果推論文学における重要なギャップを埋め、非線型処理-アウトカム関係に適したツールを提供し、継続的な処理効果推定の領域でさらなる探索を行うための道を開く。

関連論文リスト

• Doubly robust outlier resistant inference on causal treatment effect [0.0]
  外圧器は観察研究において因果効果の推定を著しく歪めることができる。 汚染モデルに基づく平均処理効果の2倍頑健な点推定器を提案する。 我々の手法は、精度と堅牢性の両方において既存の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-07-23T11:58:54Z)
• CausalPFN: Amortized Causal Effect Estimation via In-Context Learning [15.645599403885605]
  CausalPFNは、新しい観測データセットに因果効果を推定する。 提案手法は,不均一および平均処理効果評価ベンチマークにおいて,優れた平均性能を実現する。 CausalPFNはベイズ原理に基づく信頼性の高い意思決定を支援するために、校正された不確実性推定を提供する。
  論文  参考訳（メタデータ） (2025-06-09T16:31:06Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Forests for Differences: Robust Causal Inference Beyond Parametric DiD [0.0]
  DiD-BCF(Didi-in-Differences Bayesian Causal Forest)は、DD推定における重要な課題に対処する新しい非パラメトリックモデルである。 DiD-BCFは、平均(ATE)、グループ平均(GATE)、条件平均処理効果(CATE)を推定するための統一的なフレームワークを提供する。 大規模なシミュレーションでは、DD-BCFは確立されたベンチマークよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2025-05-14T18:06:51Z)
• K-Fold Causal BART for CATE Estimation [0.0]
  この研究は、広く認知されているInfant Health and Development Program(IHDP)ベンチマークデータセットを含む、合成および半合成データセットを使用している。 合成シナリオにおける有望な結果にもかかわらず、IHDPデータセットは、提案されたモデルがATEとCATE推定の最先端ではないことを明らかにしている。
  論文  参考訳（メタデータ） (2024-09-09T14:36:33Z)
• Causal Rule Forest: Toward Interpretable and Precise Treatment Effect Estimation [0.0]
  因果ルールフォレスト(Causal Rule Forest, CRF)は、データから隠れパターンを学び、パターンを解釈可能な多レベルブールルールに変換する新しいアプローチである。 CRFで学習したデータ表現を用いた他の解釈可能な因果推論モデルをトレーニングすることにより、不均一処理効果(HTE)と条件平均処理効果(CATE)の推定におけるこれらのモデルの予測誤差を低減することができる。 我々の実験は、パーソナライズされた介入や政策を前進させるCRFの可能性を示している。
  論文  参考訳（メタデータ） (2024-08-27T13:32:31Z)
• C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
  因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。 本稿では,C-XGBoost という新たな因果推論モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-31T17:43:37Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Adversarial Distribution Balancing for Counterfactual Reasoning [0.0]
  反実的推論のための機械学習アプローチは、非ランダムな治療管理による未観測結果と分布差の両方に対処する必要がある。 本稿では,ADBCR(Adversarial Distribution Balancing for Counterfactal Reasoning)を提案する。 ADBCRは3つのベンチマークデータセット上で最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-28T09:12:37Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• 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)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• 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)
• 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)
• Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
  カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。 モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
  論文  参考訳（メタデータ） (2020-02-28T21:52:49Z)

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。