論文の概要: Testing Identifiability and Transportability with Observational and Experimental Data

• arxiv url: http://arxiv.org/abs/2505.12801v1
• Date: Mon, 19 May 2025 07:31:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.465538
• Title: Testing Identifiability and Transportability with Observational and Experimental Data
• Title（参考訳）: 観測・実験データによる識別性と輸送性試験
• Authors: Konstantina Lelova, Gregory F. Cooper, Sofia Triantafillou,
• Abstract要約: そこで本研究では,Z-specific(条件付き)因果効果が同定可能かつ輸送可能であるかどうかを評価する手法を提案する。 本手法は,対象個体群から得られた実験データと対象個体群から得られた観測データを組み合わせて,観測データから因果効果が同定可能であり,搬送可能である可能性を計算する。
• 参考スコア（独自算出の注目度）: 3.922842284927803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transporting causal information learned from experiments in one population to another is a critical challenge in clinical research and decision-making. Causal transportability uses causal graphs to model differences between the source and target populations and identifies conditions under which causal effects learned from experiments can be reused in a different population. Similarly, causal identifiability identifies conditions under which causal effects can be estimated from observational data. However, these approaches rely on knowing the causal graph, which is often unavailable in real-world settings. In this work, we propose a Bayesian method for assessing whether Z-specific (conditional) causal effects are both identifiable and transportable, without knowing the causal graph. Our method combines experimental data from the source population with observational data from the target population to compute the probability that a causal effect is both identifiable from observational data and transportable. When this holds, we leverage both observational data from the target domain and experimental data from the source domain to obtain an unbiased, efficient estimator of the causal effect in the target population. Using simulations, we demonstrate that our method correctly identifies transportable causal effects and improves causal effect estimation.
• Abstract（参考訳）: ある集団の実験から得られた因果情報を別の集団に輸送することは、臨床研究と意思決定において重要な課題である。 因果輸送性は、ソースとターゲットの個体群の違いをモデル化するために因果グラフを使用し、実験から得られた因果効果を異なる個体群で再利用できる条件を特定する。 同様に、因果識別性は観察データから因果効果を推定できる条件を特定する。 しかし、これらのアプローチは因果グラフを知ることに依存しており、実際の環境では利用できないことが多い。 本研究では、因果グラフを知らずに、Z-種別(条件付き)因果効果が識別可能かつ輸送可能であるかどうかを評価するためのベイズ法を提案する。 本手法は,対象個体群から得られた実験データと対象個体群から得られた観測データを組み合わせて,観測データから因果効果が同定可能であり,搬送可能である可能性を計算する。 これにより、対象領域からの観測データとソース領域からの実験データの両方を利用して、対象集団における因果効果の偏りのない効率的な推定値を得る。 シミュレーションを用いて,輸送可能な因果効果を正しく同定し,因果効果の推定を改善する。

関連論文リスト

• Doubly robust identification of treatment effects from multiple environments [22.228179404621482]
  本稿では,基礎となる因果グラフの知識や学習を必要とせずに,不偏処理効果推定を行うアルゴリズムであるRAMENを提案する。 RAMENは二重の堅牢な識別を実現し、治療の因果親や結果の因果親が観察されるたびに、治療効果を識別することができる。
  論文  参考訳（メタデータ） (2025-03-18T17:33:10Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Identifiability of Sparse Causal Effects using Instrumental Variables [11.97552507834888]
  本稿では,共変量$X$の応答に対する因果効果が疎い線形モデルを考える。 観測された分布から因果係数が同定可能な条件を提供する。 推定器として、空間IVを提案し、モデルが同定可能であれば因果効果を常に推定することを証明する。
  論文  参考訳（メタデータ） (2022-03-17T15:15:52Z)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Adaptive Multi-Source Causal Inference [21.590496842692747]
  対象個体群の因果的影響を推定するために,類似の因果的メカニズムを対象個体と共有する追加ソース・データセットを利用する。 我々は、成果、治療、共同設立者のモデリングを通じて、知識伝達の3つのレベルを提案する。 提案手法は,データソースとターゲット間のデータの相違を事前に知ることなく,対象個体群の因果関係を推定することができる。
  論文  参考訳（メタデータ） (2021-05-31T11:02:37Z)
• Causes of Effects: Learning individual responses from population data [23.593582720307207]
  個別化の問題とその医学への応用について研究する。 例えば、治療の恩恵を受ける確率は、治療された場合の好ましくない結果と、治療されていない場合の好ましくない結果である。 必要十分度(PNS)の確率に限界を当て、グラフィカルな基準や実用的応用とともに既存の研究を分析・拡大します。
  論文  参考訳（メタデータ） (2021-04-28T12:38:11Z)
• 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)

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。