論文の概要: Causal Inference with Double/Debiased Machine Learning for Evaluating the Health Effects of Multiple Mismeasured Pollutants
- arxiv url: http://arxiv.org/abs/2410.07135v1
- Date: Sun, 22 Sep 2024 01:48:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 22:06:43.488486
- Title: Causal Inference with Double/Debiased Machine Learning for Evaluating the Health Effects of Multiple Mismeasured Pollutants
- Title（参考訳）: 複数の誤測定汚染物質の健康影響評価のためのダブル/デバイアス機械学習による因果推論
- Authors: Gang Xu, Xin Zhou, Molin Wang, Boya Zhang, Wenhao Jiang, Francine Laden, Helen H. Suh, Adam A. Szpiro, Donna Spiegelman, Zuoheng Wang,
- Abstract要約: 本稿では,他のPM2.5成分の存在下での1成分の因果効果の推定と推定について述べる。
回帰キャリブレーションを用いた推定器は整合性を示し,その分散を導出した。
看護師健康研究におけるPM2.5成分の認知機能に対する因果効果を評価するために本手法を適用した。
- 参考スコア（独自算出の注目度）: 9.545421693714768
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One way to quantify exposure to air pollution and its constituents in epidemiologic studies is to use an individual's nearest monitor. This strategy results in potential inaccuracy in the actual personal exposure, introducing bias in estimating the health effects of air pollution and its constituents, especially when evaluating the causal effects of correlated multi-pollutant constituents measured with correlated error. This paper addresses estimation and inference for the causal effect of one constituent in the presence of other PM2.5 constituents, accounting for measurement error and correlations. We used a linear regression calibration model, fitted with generalized estimating equations in an external validation study, and extended a double/debiased machine learning (DML) approach to correct for measurement error and estimate the effect of interest in the main study. We demonstrated that the DML estimator with regression calibration is consistent and derived its asymptotic variance. Simulations showed that the proposed estimator reduced bias and attained nominal coverage probability across most simulation settings. We applied this method to assess the causal effects of PM2.5 constituents on cognitive function in the Nurses' Health Study and identified two PM2.5 constituents, Br and Mn, that showed a negative causal effect on cognitive function after measurement error correction.
- Abstract（参考訳）: 大気汚染とその成分を疫学研究で定量化する方法の1つは、個人の最も近いモニターを使用することである。
この戦略は実際の個人曝露における潜在的な不正確性をもたらし、大気汚染とその成分の健康影響を推定するバイアスを導入し、特に相関性のある多汚染成分の因果効果を相関誤差で評価する。
本稿では,他のPM2.5成分の存在下での1成分の因果効果の推定と推定を行い,測定誤差と相関性について考察する。
線形回帰キャリブレーションモデルを用いて, 一般化された推定方程式を外的検証実験に適用し, 測定誤差を補正し, 主研究における利害効果を推定するために, 二重偏差機械学習(DML)アプローチを拡張した。
回帰キャリブレーションを用いたDML推定器は一貫性があり,その漸近的分散を導出することを示した。
シミュレーションにより、提案した推定器はバイアスを低減し、ほとんどのシミュレーション設定において名目カバレッジ確率を得た。
本手法を用いて,PM2.5成分の認知機能に対する因果効果を評価し,測定誤差補正後の認知機能に対する負の因果効果を示す2つのPM2.5成分,Br,Mnを同定した。
関連論文リスト
- A Meta-Learning Method for Estimation of Causal Excursion Effects to Assess Time-Varying Moderation [0.0]
本稿では,メタ・ラーナーの観点からの因果抽出効果の推定について再検討する。
提案する推定器の特性を理論的および広範囲なシミュレーションにより比較する。
その結果, 相対効率が向上し, 既存手法の2倍頑健な代替案が提案された。
論文 参考訳（メタデータ） (2023-06-28T15:19:33Z) - Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
本研究では,不正確な連続処理変数を仮定するモデルを提案する。
我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。
我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
論文 参考訳（メタデータ） (2023-06-18T18:38:10Z) - Causal Effect Estimation from Observational and Interventional Data
Through Matrix Weighted Linear Estimators [11.384045395629123]
本研究では,観測データと介入データの混合から因果効果を推定する。
予測二乗誤差の統計的効率は推定器を組み合わせることで向上できることを示す。
論文 参考訳（メタデータ） (2023-06-09T16:16:53Z) - Efficient estimation of weighted cumulative treatment effects by
double/debiased machine learning [3.086361225427304]
重み付き累積因果効果に対する一段階のクロスフィット型2重/脱バイアス型機械学習推定器を提案する。
本稿では,イギリスのプライマリ・ケア・データベースからの実世界観測データに提案手法を適用し,抗糖尿病薬のがん効果の比較を行った。
論文 参考訳（メタデータ） (2023-05-03T18:19:18Z) - Monotonicity and Double Descent in Uncertainty Estimation with Gaussian
Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。
我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。
また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文 参考訳（メタデータ） (2022-10-14T08:09:33Z) - Covariate-Balancing-Aware Interpretable Deep Learning models for
Treatment Effect Estimation [15.465045049754336]
本稿では, 高い無知性仮定の下での平均処理推定値のバイアスの上限について提案する。
新たな付加型ニューラルネットワークアーキテクチャを活用することにより、目的関数としてこの上限を実装する。
提案手法は、因果推論のためのベンチマークデータセットを再検討し、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） (2022-03-07T07:42:40Z) - 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) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - 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) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z)
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。