論文の概要: Consistent Causal Inference of Group Effects in Non-Targeted Trials with Finitely Many Effect Levels

• arxiv url: http://arxiv.org/abs/2504.15854v1
• Date: Tue, 22 Apr 2025 12:51:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 20:25:42.464861
• Title: Consistent Causal Inference of Group Effects in Non-Targeted Trials with Finitely Many Effect Levels
• Title（参考訳）: 有限個の効果レベルをもつ非標的試験における群効果の連続因数推論
• Authors: Georgios Mavroudeas, Malik Magdon-Ismail, Kristin P. Bennett, Jason Kuruzovich,
• Abstract要約: 非パラメトリックな臨床試験では、疾患と健康な被験者の両方が治療され、治療群内で不均一な効果が生じる。 病人に対する正しい治療効果の推測は、異なる集団に対する効果が絡み合うため困難である。 我々は、bf PCM (pre-targeted and merge) と呼ばれる、群効果を推定するための効率的な非アプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.006064616335817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A treatment may be appropriate for some group (the ``sick" group) on whom it has a positive effect, but it can also have a detrimental effect on subjects from another group (the ``healthy" group). In a non-targeted trial both sick and healthy subjects may be treated, producing heterogeneous effects within the treated group. Inferring the correct treatment effect on the sick population is then difficult, because the effects on the different groups get tangled. We propose an efficient nonparametric approach to estimating the group effects, called {\bf PCM} (pre-cluster and merge). We prove its asymptotic consistency in a general setting and show, on synthetic data, more than a 10x improvement in accuracy over existing state-of-the-art. Our approach applies more generally to consistent estimation of functions with a finite range.
• Abstract（参考訳）: 治療は、あるグループ( `sick" グループ)において肯定的な効果を持つが、他のグループ( ``healthy" グループ)の被験者に有害な効果を与えることもある。 標的でない臨床試験では、疾患と健康な被験者の両方が治療され、治療群内で不均一な効果が生じる。 病人に対する正しい治療効果の推測は、異なる集団に対する効果が絡み合うため困難である。 本稿では, グループ効果を推定する効率的な非パラメトリック手法を提案し, プレクラスタとマージ(pre-cluster and merge)と呼ぶ。 我々は,その漸近的一貫性を一般的な設定で証明し,既存の最先端技術よりも10倍以上の精度で合成データを用いて示す。 我々のアプローチはより一般的に有限範囲の関数の一貫した推定に適用される。

関連論文リスト

• The Disparate Benefits of Deep Ensembles [11.303233667605586]
  本稿では,Deep Ensemblesのパフォーマンス向上とフェアネスの相互作用について検討する。 異なる利益効果(disparate benefit effect)と呼ぶものにおいて、それぞれが異なるグループを不均一に好んでいることが分かっています。 この不公平さを軽減するために,ポストプロセッシングが有効な方法であることを示す。
  論文  参考訳（メタデータ） (2024-10-17T17:53:01Z)
• Adaptive Experiment Design with Synthetic Controls [79.69661880236293]
  そこで我々は,多くのサブポピュレーションのうち,ポジティブな治療効果を有するサブポピュレーションを同定する探索的トライアル設計であるSyntaxを提案する。 我々は,Syntaxの性能を検証し,実験を通じて従来の試行設計よりも有利になる可能性について考察する。
  論文  参考訳（メタデータ） (2024-01-30T17:45:47Z)
• Heterogeneous treatment effect estimation with subpopulation identification for personalized medicine in opioid use disorder [8.508048654384787]
  本稿では,サブグループ同定と治療効果推定を組み込んだ,新しいニューラルネットワークベースのフレームワークSubgroupTEを紹介する。 オピオイド使用障害(OUD)に関連する実世界のデータセットの実験は、パーソナライズされた治療勧告を強化するためのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-01-30T14:02:49Z)
• SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification [7.598921240673158]
  本稿では,サブグループ識別をTEEに組み込んだ新しい治療効果推定モデルを提案する。 サブグループTEは、異なる治療反応を持つ異種サブグループを特定し、サブグループ固有の因果効果を考慮して、より正確に治療効果を推定する。 合成および半合成データセットの実験は、治療効果推定の最先端モデルと比較して、サブグループTEの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-22T21:41:26Z)
• Causal Machine Learning for Moderation Effects [0.0]
  我々は,グループ平均治療効果(GATE)を測定する新しいパラメータBGATEを提案する。 主な推定戦略は、未確立の環境での個別処理のための二重/退化機械学習に基づいている。 本稿では,自動脱バイアス機械学習と特定の再重み付け手法の2つの方法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T11:34:59Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
  A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。 オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。 異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T17:15:51Z)
• 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)
• 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)
• Finding Subgroups with Significant Treatment Effects [20.457122933924463]
  ノイズの多いデータからそのようなサブグループを見つけるために特別に最適化された機械学習手法を提案する。 パーソナライズされた治療代行のための方法とは違って、当社のツールは重要なテストを考慮するように設計されている。 統計的に有意な正の処理効果を得る確率を最大化するために選択される部分群を生成する。
  論文  参考訳（メタデータ） (2021-03-12T03:36:03Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)

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。