論文の概要: Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data
- arxiv url: http://arxiv.org/abs/2412.11136v1
- Date: Sun, 15 Dec 2024 10:00:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:56:10.076231
- Title: Minimax Regret Estimation for Generalizing Heterogeneous Treatment Effects with Multisite Data
- Title（参考訳）: 多地点データを用いた不均一処理効果の一般化のためのミニマックス回帰推定
- Authors: Yi Zhang, Melody Huang, Kosuke Imai,
- Abstract要約: 異種集団の多地点データを用いたロバストなCATE(条件平均処理効果)推定手法を開発した。
得られたCATEモデルは、サイト固有CATEモデルの重み付き平均として表される、解釈可能な閉形式解を持つことを示す。
- 参考スコア（独自算出の注目度）: 3.434624857389692
- License:
- Abstract: To test scientific theories and develop individualized treatment rules, researchers often wish to learn heterogeneous treatment effects that can be consistently found across diverse populations and contexts. We consider the problem of generalizing heterogeneous treatment effects (HTE) based on data from multiple sites. A key challenge is that a target population may differ from the source sites in unknown and unobservable ways. This means that the estimates from site-specific models lack external validity, and a simple pooled analysis risks bias. We develop a robust CATE (conditional average treatment effect) estimation methodology with multisite data from heterogeneous populations. We propose a minimax-regret framework that learns a generalizable CATE model by minimizing the worst-case regret over a class of target populations whose CATE can be represented as convex combinations of site-specific CATEs. Using robust optimization, the proposed methodology accounts for distribution shifts in both individual covariates and treatment effect heterogeneity across sites. We show that the resulting CATE model has an interpretable closed-form solution, expressed as a weighted average of site-specific CATE models. Thus, researchers can utilize a flexible CATE estimation method within each site and aggregate site-specific estimates to produce the final model. Through simulations and a real-world application, we show that the proposed methodology improves the robustness and generalizability of existing approaches.
- Abstract（参考訳）: 科学的理論を検証し、個別化された治療規則を開発するために、研究者は様々な集団や文脈で一貫して見られる不均一な治療効果を学習したいと考えることが多い。
複数のサイトからのデータに基づいて, ヘテロジニアス処理効果(HTE)を一般化する問題を考察する。
主な課題は、ターゲットの個体群が未知かつ観測不可能な方法で原点と異なる可能性があることである。
これは、サイト固有のモデルからの見積もりは外部の妥当性を欠いていることを意味し、単純なプール分析はバイアスを生じさせる。
異種集団の多地点データを用いたロバストなCATE(条件平均処理効果)推定手法を開発した。
我々は,CATEをサイト固有のCATEの凸結合として表現できる対象集団のクラスに対する最悪の後悔を最小限に抑えて,一般化可能なCATEモデルを学ぶミニマックス・レグレットフレームワークを提案する。
頑健な最適化を用いて、提案手法は、各共変量および処理効果の不均一性の両方における分布シフトを考慮に入れている。
得られたCATEモデルは、サイト固有CATEモデルの重み付き平均として表される、解釈可能な閉形式解を持つことを示す。
これにより、各サイト内で柔軟なCATE推定法とサイト固有の推定値を集約して最終モデルを作成することができる。
シミュレーションと実世界の応用を通して,提案手法が既存手法の堅牢性と一般化性を向上させることを示す。
関連論文リスト
- Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。
異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。
この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
論文 参考訳（メタデータ） (2024-07-20T12:42:24Z) - Robust CATE Estimation Using Novel Ensemble Methods [0.8246494848934447]
臨床治験における条件平均治療効果(CATE)の評価は治療効果の不均一性の理解に不可欠である。
本研究は,多種多様なシナリオにまたがって,因果林や多種多様なメタラーナーなどの共通手法の性能を評価する。
予測安定性と性能を向上させるために,複数の推定器を統合する2つの新しいアンサンブル手法を提案する。
論文 参考訳（メタデータ） (2024-07-04T07:23:02Z) - Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts [12.289361708127876]
我々は、CATE T-learnerを後処理するために、マルチ精度の予測子を学習するために方法論を使用する。
このアプローチは、(より大きな)確立された観測データと(より小さな)ランダム化されたデータセットを組み合わせることができることを示す。
論文 参考訳（メタデータ） (2024-05-28T14:12:25Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - Efficient adjustment for complex covariates: Gaining efficiency with
DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文 参考訳（メタデータ） (2024-02-20T13:02:51Z) - Bayesian Federated Inference for regression models based on non-shared multicenter data sets from heterogeneous populations [0.0]
回帰モデルでは、サンプルサイズは予測器の数に対して十分な大きさでなければならない。
異なる(医療)センターで収集された異なるデータセットからデータをポーリングすることはこの問題を軽減するが、プライバシー規制やロジスティックな問題のためにしばしば実現不可能である。
別の方法は、センター内のローカルデータを別々に分析し、統計的推測結果とベイズ連邦推論(BFI)手法を組み合わせることである。
このアプローチの目的は、組み合わせたデータに対して統計的解析を行った場合、何を発見したのかを、別々の中心における推論結果から計算することである。
論文 参考訳（メタデータ） (2024-02-05T11:10:27Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - Estimation of Local Average Treatment Effect by Data Combination [3.655021726150368]
治療課題の遵守が不完全である場合には、局所的平均治療効果(LATE)を推定することが重要である。
以前提案されたLATE推定法では、関連するすべての変数を1つのデータセットで共同で観測することが必要であった。
最小値の定式化を回避し,より簡易なモデル選択を可能とする重み付き最小二乗推定器を提案する。
論文 参考訳（メタデータ） (2021-09-11T03:51:48Z) - Identifiable Energy-based Representations: An Application to Estimating
Heterogeneous Causal Effects [83.66276516095665]
条件付き平均治療効果(CATEs)は、多数の個体にまたがる不均一性について理解することができる。
典型的なCATE学習者は、CATEが識別可能であるために、すべての共起変数が測定されていると仮定する。
本稿では,ノイズコントラッシブ損失関数を用いて,変数の低次元表現を学習するエネルギーベースモデルを提案する。
論文 参考訳（メタデータ） (2021-08-06T10:39:49Z)
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。