論文の概要: Treatment response as a latent variable
- arxiv url: http://arxiv.org/abs/2502.08776v1
- Date: Wed, 12 Feb 2025 20:35:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 20:05:34.994517
- Title: Treatment response as a latent variable
- Title（参考訳）: 潜伏変数としての処理応答
- Authors: Christopher Tosh, Boyuan Zhang, Wesley Tansey,
- Abstract要約: 古典的2群モデルの因果拡張である因果2群モデル(C2G)を導入する。
サンプルを処理したC2Gモデルは、何らかの事前の確率で効果を経験するかもしれないし、そうでないかもしれない。
両手法が目標レベルの誤発見率をほぼ最適パワーで制御できることを実証的・理論的に示す。
- 参考スコア（独自算出の注目度）: 5.609215808209795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientists often need to analyze the samples in a study that responded to treatment in order to refine their hypotheses and find potential causal drivers of response. Natural variation in outcomes makes teasing apart responders from non-responders a statistical inference problem. To handle latent responses, we introduce the causal two-groups (C2G) model, a causal extension of the classical two-groups model. The C2G model posits that treated samples may or may not experience an effect, according to some prior probability. We propose two empirical Bayes procedures for the causal two-groups model, one under semi-parametric conditions and another under fully nonparametric conditions. The semi-parametric model assumes additive treatment effects and is identifiable from observed data. The nonparametric model is unidentifiable, but we show it can still be used to test for response in each treated sample. We show empirically and theoretically that both methods for selecting responders control the false discovery rate at the target level with near-optimal power. We also propose two novel estimands of interest and provide a strategy for deriving estimand intervals in the unidentifiable nonparametric model. On a cancer immunotherapy dataset, the nonparametric C2G model recovers clinically-validated predictive biomarkers of both positive and negative outcomes. Code is available at https://github.com/tansey-lab/causal2groups.
- Abstract（参考訳）: 科学者たちは、仮説を洗練させ、反応の因果的要因を見つけるために、治療に反応する研究でサンプルを分析する必要があることが多い。
結果の自然な変化は、非応答者から応答者を分離させることを統計的推論問題にしている。
潜在応答を扱うために、古典的2群モデルの因果拡張である因果2群モデル(C2G)を導入する。
サンプルを処理したC2Gモデルは、何らかの事前の確率で効果を経験するかもしれないし、そうでないかもしれない。
本研究では, 半パラメトリック条件下での因果2群モデルと, 完全に非パラメトリック条件下での2つのベイズ手順を提案する。
半パラメトリックモデルは付加的処理効果を仮定し、観測データから同定できる。
非パラメトリックモデルは同定できないが、各処理されたサンプルの応答をテストするためにも使用できることを示す。
両手法が目標レベルの誤発見率をほぼ最適パワーで制御できることを実証的・理論的に示す。
また、2つの新しい関心推定法を提案し、同定不可能な非パラメトリックモデルにおいて、推定間隔を導出するための戦略を提供する。
がん免疫療法データセットでは、非パラメトリックC2Gモデルは、陽性と陰性の両方の結果の臨床的に有意な予測的バイオマーカーを回復する。
コードはhttps://github.com/tansey-lab/causal2groupsで入手できる。
関連論文リスト
- Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
本研究では,ラベル付き類似実験を微調整した予測モデルを用いて,ラベル付き実結果を用いた対象実験の因果推論に焦点をあてる。
まず,経験的リスク最小化(ERM)による実結果推定は,対象個体群に対して有効な因果推論を導出できない可能性があることを示す。
本稿では,実証的リスク最小化法(DEM)を提案する。
論文 参考訳（メタデータ） (2025-02-10T10:52:17Z) - CATE Lasso: Conditional Average Treatment Effect Estimation with
High-Dimensional Linear Regression [18.628644958430076]
条件平均治療効果(CATE)は、個々の因果効果を表す量として重要な役割を果たす。
本研究では,高次元および非スパースパラメータの下でも連続的にCATEを推定する手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T17:51:07Z) - Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。
サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
論文 参考訳（メタデータ） (2023-09-13T18:53:11Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - Benign-Overfitting in Conditional Average Treatment Effect Prediction
with Linear Regression [14.493176427999028]
線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。
一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
論文 参考訳（メタデータ） (2022-02-10T18:51:52Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - What can the millions of random treatments in nonexperimental data
reveal about causes? [0.0]
この記事ではこのようなモデルとベイズ的アプローチを紹介し、非経験的データで典型的に使用可能な 1(n2)$ のペアワイズ観測を組み合わせる。
提案手法は, 一般のnswサンプル, 任意のサブポピュレーションおよび大容量スーパーサンプルにおいて, 因果効果を回復することを示す。
論文 参考訳（メタデータ） (2021-05-03T20:13:34Z) - Variable selection with missing data in both covariates and outcomes:
Imputation and machine learning [1.0333430439241666]
欠落したデータ問題は、健康研究で普遍的です。
機械学習はパラメトリックな仮定を弱める。
XGBoostとBARTは、さまざまな設定で最高のパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-04-06T20:18:29Z) - 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) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z)
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。