論文の概要: A Two-Stage Interpretable Matching Framework for Causal Inference

• arxiv url: http://arxiv.org/abs/2504.09635v1
• Date: Sun, 13 Apr 2025 16:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:50:09.069947
• Title: A Two-Stage Interpretable Matching Framework for Causal Inference
• Title（参考訳）: 因果推論のための2段階解釈型マッチングフレームワーク
• Authors: Sahil Shikalgar, Md. Noor-E-Alam,
• Abstract要約: 観測データからの因果推論のマッチングは、類似した共変量分布を持つ治療群と制御群を構築することを目的としている。 透過的かつ解釈可能な共変マッチングのための新しい2段階の解釈可能なマッチングフレームワークを提案する。 条件付き平均治療効果(CATE)を推定するために,これらの高品質なマッチングを用いる。 以上の結果から,TIMはCATE推定を改善し,多変量重なりを増大させ,高次元データに対して効果的にスケールできることが示唆された。
• 参考スコア（独自算出の注目度）: 0.6215404942415159
• License:
• Abstract: Matching in causal inference from observational data aims to construct treatment and control groups with similar distributions of covariates, thereby reducing confounding and ensuring an unbiased estimation of treatment effects. This matched sample closely mimics a randomized controlled trial (RCT), thus improving the quality of causal estimates. We introduce a novel Two-stage Interpretable Matching (TIM) framework for transparent and interpretable covariate matching. In the first stage, we perform exact matching across all available covariates. For treatment and control units without an exact match in the first stage, we proceed to the second stage. Here, we iteratively refine the matching process by removing the least significant confounder in each iteration and attempting exact matching on the remaining covariates. We learn a distance metric for the dropped covariates to quantify closeness to the treatment unit(s) within the corresponding strata. We used these high- quality matches to estimate the conditional average treatment effects (CATEs). To validate TIM, we conducted experiments on synthetic datasets with varying association structures and correlations. We assessed its performance by measuring bias in CATE estimation and evaluating multivariate overlap between treatment and control groups before and after matching. Additionally, we apply TIM to a real-world healthcare dataset from the Centers for Disease Control and Prevention (CDC) to estimate the causal effect of high cholesterol on diabetes. Our results demonstrate that TIM improves CATE estimates, increases multivariate overlap, and scales effectively to high-dimensional data, making it a robust tool for causal inference in observational data.
• Abstract（参考訳）: 観測データからの因果推論のマッチングは, 共変量分布の類似した処理群と制御群を構築することを目的としており, コンバウンディングを低減し, 治療効果の偏りのない推定を確実にすることを目的としている。 この一致したサンプルはランダム化制御試験(RCT)を忠実に模倣し、因果推定の質を向上させる。 本稿では,透過的かつ解釈可能な共変量マッチングのための新しい2段階解釈型マッチング(TIM)フレームワークを提案する。 最初の段階では、利用可能なすべての共変量に対して正確なマッチングを行う。 第1段階では正確な一致のない治療と制御を行うため、第2段階に進む。 ここでは、各イテレーションにおいて最も重要でない共同創設者を排除し、残りの共変量について正確なマッチングを試みることで、マッチングプロセスを反復的に洗練する。 落下した共変量に対する距離計量を学習し、対応する層内の処理単位(s)との近接性を定量化する。 条件付き平均治療効果(CATE)を推定するために,これらの高品質なマッチングを用いた。 TIMを検証するために, 相関構造と相関関係の異なる合成データセットの実験を行った。 我々は,CATE推定におけるバイアスを測定し,マッチング前後の処理群と制御群との重なりを多変量評価することで,その性能を評価した。 さらに、TIMを疾病予防管理センター(CDC)の実際の医療データセットに適用し、高コレステロールの糖尿病に対する因果効果を推定した。 以上の結果から,TIMはCATE推定を改善し,多変量重なりを増大させ,高次元データに効果的にスケールし,観測データにおける因果推論のための堅牢なツールであることが示された。

関連論文リスト

• Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning [0.0]
  本稿では,連続処理と複数期間の差分差分法(DiD)を提案する。 本フレームワークは,2つの非ゼロ治療用量の比較において,平均治療効果(ATET)を評価する。
  論文  参考訳（メタデータ） (2024-10-28T15:10:43Z)
• 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)
• Continuous Treatment Effect Estimation Using Gradient Interpolation and Kernel Smoothing [43.259723628010896]
  個人を個別に標本化し,反現実的結果を推測する直接的アプローチを提唱する。 提案手法を5つのベンチマークで評価し,提案手法が6つの最先端手法よりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2024-01-27T15:52:58Z)
• Counterfactual Data Augmentation with Contrastive Learning [27.28511396131235]
  本稿では,選択したサブセットに対して,結果に反する結果をもたらすモデルに依存しないデータ拡張手法を提案する。 我々は、比較学習を用いて表現空間と類似度尺度を学習し、学習された類似度尺度で同定された個人に近い学習空間において、同様の潜在的な結果が得られるようにした。 この性質は、代替治療群から近接した近縁者に対する対実的な結果の信頼性の高い計算を保証する。
  論文  参考訳（メタデータ） (2023-11-07T00:36:51Z)
• Estimating treatment effects from single-arm trials via latent-variable modeling [14.083487062917085]
  すべての患者が治療グループに属しているシングルアーム臨床試験は、有効な代替手段であるが、外部コントロールグループへのアクセスが必要である。 このシナリオに対して、同定可能なディープ潜在変数モデルを提案する。 その結果, 直接治療効果評価と患者マッチングによる効果評価の両面で, 性能が向上した。
  論文  参考訳（メタデータ） (2023-11-06T10:12:54Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• 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)
• Estimating Conditional Average Treatment Effects with Missing Treatment Information [20.83151214072516]
  治療情報不足時に条件平均治療効果(CATE)を推定することは困難である。 本稿では,欠損治療によるCATE推定について分析する。 我々は,新しいCATE推定アルゴリズムであるMTRNetを開発した。
  論文  参考訳（メタデータ） (2022-03-02T21:23:25Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• 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)
• 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)

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。