論文の概要: Learning Representations of Instruments for Partial Identification of Treatment Effects
- arxiv url: http://arxiv.org/abs/2410.08976v1
- Date: Mon, 14 Oct 2024 08:04:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 20:46:27.906085
- Title: Learning Representations of Instruments for Partial Identification of Treatment Effects
- Title（参考訳）: 治療効果の部分的同定のための機器の学習表現
- Authors: Jonas Schweisthal, Dennis Frauen, Maresa Schröder, Konstantin Hess, Niki Kilbertus, Stefan Feuerriegel,
- Abstract要約: 我々は任意の(潜在的に高次元の)機器を用いて条件平均処理効果(CATE)の限界を推定する。
本稿では,楽器を離散表現空間にマッピングする手法を提案する。
我々は、潜在楽器空間のニューラルネットワーク分割を調整し、厳密な境界を学習する2段階の手順を導出する。
- 参考スコア（独自算出の注目度）: 23.811079163083303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable estimation of treatment effects from observational data is important in many disciplines such as medicine. However, estimation is challenging when unconfoundedness as a standard assumption in the causal inference literature is violated. In this work, we leverage arbitrary (potentially high-dimensional) instruments to estimate bounds on the conditional average treatment effect (CATE). Our contributions are three-fold: (1) We propose a novel approach for partial identification through a mapping of instruments to a discrete representation space so that we yield valid bounds on the CATE. This is crucial for reliable decision-making in real-world applications. (2) We derive a two-step procedure that learns tight bounds using a tailored neural partitioning of the latent instrument space. As a result, we avoid instability issues due to numerical approximations or adversarial training. Furthermore, our procedure aims to reduce the estimation variance in finite-sample settings to yield more reliable estimates. (3) We show theoretically that our procedure obtains valid bounds while reducing estimation variance. We further perform extensive experiments to demonstrate the effectiveness across various settings. Overall, our procedure offers a novel path for practitioners to make use of potentially high-dimensional instruments (e.g., as in Mendelian randomization).
- Abstract（参考訳）: 医療などの多くの分野において、観察データからの治療効果の信頼性評価が重要である。
しかし、因果推論文献における標準仮定としての根拠のない仮定が破られた場合、推定は困難である。
本研究では,任意の(潜在的に高次元な)機器を用いて条件平均処理効果(CATE)を推定する。
1) 楽器を離散表現空間にマッピングすることで、CATEに有効な境界を与える、部分的識別のための新しいアプローチを提案する。
これは、現実世界のアプリケーションにおける信頼性の高い意思決定に不可欠である。
2) 潜在楽器空間のニューラルネットワーク分割を用いて, 厳密な境界を学習する2段階の手順を導出する。
その結果,数値近似や対人訓練による不安定性の問題を回避することができた。
さらに,提案手法は,有限サンプル設定における推定分散を低減し,より信頼性の高い推定値を得る。
(3) 提案手法は, 推定分散を低減しつつ, 有効な境界値が得られることを示す。
さらに,様々な環境における有効性を示すため,広範囲な実験を行った。
全体として,本手法は,メンデル的ランダム化のように,潜在的に高次元の楽器(例えば,メンデル的ランダム化)を利用するための新たな道筋を提供する。
関連論文リスト
- Targeted Learning for Variable Importance [23.428985354228672]
変数の重要性は、機械学習を解釈するための最も広く使われている手段の1つです。
本稿では,変数重要度に対する推論の堅牢性を高めるために,ターゲット学習(TL)フレームワークを用いた新しい手法を提案する。
i) 従来の手法の効率を保ち, (ii) 計算量に匹敵する複雑性を維持し, (iii) 精度を向上し, 特に有限サンプル文脈において有効であることを示す。
論文 参考訳（メタデータ） (2024-11-04T16:14:45Z) - Conformal Prediction for Causal Effects of Continuous Treatments [22.05182692864395]
本研究では, 連続処理の潜在的な結果に対する新しいコンフォメーション予測法を提案する。
共形予測区間が正当性スコアが未知であっても有効となるように、不確実性推定によって導入された追加的不確実性を考慮する。
我々の知る限りでは、確率スコアが不明で、データから推定しなければならない場合、我々は、継続的治療のための共形予測を最初に提案する。
論文 参考訳（メタデータ） (2024-07-03T13:34:33Z) - 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) - 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) - Counterfactual inference for sequential experiments [17.817769460838665]
複数の単位に複数の時間点に対する処理を割り当てるシーケンシャルな設計実験のアフタースタディ統計的推測を考察する。
我々のゴールは、最小限のスケールで、カウンターファクト平均に対する推論保証を提供することです。
我々は,いくつかのシミュレーションと,モバイル医療臨床試験HeartStepsのデータを含むケーススタディを通して,我々の理論を解説する。
論文 参考訳（メタデータ） (2022-02-14T17:24:27Z) - 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) - 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) - 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) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z)
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。