論文の概要: Conditional Front-door Adjustment for Heterogeneous Treatment Assignment Effect Estimation Under Non-adherence

• arxiv url: http://arxiv.org/abs/2505.05677v2
• Date: Mon, 19 May 2025 15:19:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 17:08:52.953395
• Title: Conditional Front-door Adjustment for Heterogeneous Treatment Assignment Effect Estimation Under Non-adherence
• Title（参考訳）: 非整合性を考慮した不均一処理割り当て効果推定のための条件付きフロントドア調整
• Authors: Winston Chen, Trenton Chang, Jenna Wiens,
• Abstract要約: 不均一な治療課題効果の推定は、治療決定を通知することができる。 標準バックドア調整(SBD)と条件付きフロントドア調整(CFD)は、偏りのない見積もりを回復することができる。 LobsterNetは、ニュアンスパラメータのジョイントモデリングを備えたCFDを実装するマルチタスクニューラルネットワークである。
• 参考スコア（独自算出の注目度）: 8.399375062339809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimates of heterogeneous treatment assignment effects can inform treatment decisions. Under the presence of non-adherence (e.g., patients do not adhere to their assigned treatment), both the standard backdoor adjustment (SBD) and the conditional front-door adjustment (CFD) can recover unbiased estimates of the treatment assignment effects. However, the estimation variance of these approaches may vary widely across settings, which remains underexplored in the literature. In this work, we demonstrate theoretically and empirically that CFD yields lower-variance estimates than SBD when the true effect of treatment assignment is small (i.e., assigning an intervention leads to small changes in patients' future outcome). Additionally, since CFD requires estimating multiple nuisance parameters, we introduce LobsterNet, a multi-task neural network that implements CFD with joint modeling of the nuisance parameters. Empirically, LobsterNet reduces estimation error across several semi-synthetic and real-world datasets compared to baselines. Our findings suggest CFD with shared nuisance parameter modeling can improve treatment assignment effect estimation under non-adherence.
• Abstract（参考訳）: 不均一な治療課題効果の推定は、治療決定を通知することができる。 非整合性(例えば、患者は割り当てられた治療に従わない)の存在下では、標準のバックドア調整(SBD)と条件付きフロントドア調整(CFD)の両方が治療の割り当て効果の偏りのない見積もりを回復することができる。 しかし、これらのアプローチの見積もりのばらつきは設定によって大きく異なり、文献では未解明のままである。 本研究では,治療課題の真の効果が小さい場合,CFDがSBDよりも低分散推定値が得られることを理論的,実証的に実証する(つまり,介入の割り当ては患者の将来の成果に小さな変化をもたらす)。 さらに、CFDは複数のニュアンスパラメータを推定する必要があるため、ニュアンスパラメータの共振モデルを用いてCFDを実装するマルチタスクニューラルネットワークであるLobsterNetを導入する。 経験的に、LobsterNetはベースラインと比較して、いくつかの半合成および実世界のデータセットにおける推定誤差を低減する。 本研究は,共有ニュアンスパラメーターモデルを用いたCFDにより,非親和性条件下での処理代入効果の推定を改善できることを示唆する。

関連論文リスト

• Disentangled Representation via Variational AutoEncoder for Continuous Treatment Effect Estimation [1.105274635981989]
  可変オートエンコーダ(DRVAE)を用いた新しいDose-Response曲線推定器を提案する。 我々のモデルは現在の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T13:41:07Z)
• Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
  反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。 本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
  論文  参考訳（メタデータ） (2024-01-29T21:13:01Z)
• Adversarially Balanced Representation for Continuous Treatment Effect Estimation [6.469020202994118]
  本稿では,この処理が連続変数である,より実践的で困難なシナリオについて考察する。 本稿では,KL分散の表現の不均衡を対角的に最小化する対向反事実回帰ネットワーク(ACFR)を提案する。 半合成データセットに対する実験的な評価は、ACFRの最先端手法に対する経験的優位性を実証するものである。
  論文  参考訳（メタデータ） (2023-12-17T00:46:16Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Individual Treatment Prescription Effect Estimation in a Low Compliance Setting [11.672067762133299]
  個別処理効果推定は、様々な領域で応用される広範囲に研究されている問題である。 我々は,信号の消失を防止するために,観測されたコンプライアンス情報を活用するIPE推定のための新しい手法を提案する。 私たちは、低コンプライアンス設定における最先端性を一貫して改善するアプローチのメリットを強調する、合成データセットと実世界のデータセットの両方で実験を行います。
  論文  参考訳（メタデータ） (2020-08-07T15:53:00Z)

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。