論文の概要: What Makes Treatment Effects Identifiable? Characterizations and Estimators Beyond Unconfoundedness

• arxiv url: http://arxiv.org/abs/2506.04194v1
• Date: Wed, 04 Jun 2025 17:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.498222
• Title: What Makes Treatment Effects Identifiable? Characterizations and Estimators Beyond Unconfoundedness
• Title（参考訳）: 治療効果の特定には何が必要か? : 非確立性を超えた評価と評価
• Authors: Yang Cai, Alkis Kalavasis, Katerina Mamali, Anay Mehrotra, Manolis Zampetakis,
• Abstract要約: 平均治療効果の同定を可能にする一般的な条件について検討する。 ATEの同定に十分かつほぼ必要な解釈可能な条件を提供する。 ATEは、事前の作業がキャプチャできないようなレギュレーションで識別可能であることを証明します。
• 参考スコア（独自算出の注目度）: 14.699342649039052
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most of the widely used estimators of the average treatment effect (ATE) in causal inference rely on the assumptions of unconfoundedness and overlap. Unconfoundedness requires that the observed covariates account for all correlations between the outcome and treatment. Overlap requires the existence of randomness in treatment decisions for all individuals. Nevertheless, many types of studies frequently violate unconfoundedness or overlap, for instance, observational studies with deterministic treatment decisions -- popularly known as Regression Discontinuity designs -- violate overlap. In this paper, we initiate the study of general conditions that enable the identification of the average treatment effect, extending beyond unconfoundedness and overlap. In particular, following the paradigm of statistical learning theory, we provide an interpretable condition that is sufficient and nearly necessary for the identification of ATE. Moreover, this condition characterizes the identification of the average treatment effect on the treated (ATT) and can be used to characterize other treatment effects as well. To illustrate the utility of our condition, we present several well-studied scenarios where our condition is satisfied and, hence, we prove that ATE can be identified in regimes that prior works could not capture. For example, under mild assumptions on the data distributions, this holds for the models proposed by Tan (2006) and Rosenbaum (2002), and the Regression Discontinuity design model introduced by Thistlethwaite and Campbell (1960). For each of these scenarios, we also show that, under natural additional assumptions, ATE can be estimated from finite samples. We believe these findings open new avenues for bridging learning-theoretic insights and causal inference methodologies, particularly in observational studies with complex treatment mechanisms.
• Abstract（参考訳）: 因果推論における平均治療効果(ATE)の広く用いられる推定器のほとんどは、未確立性や重複性の仮定に依存している。 不確定性は、観察された共変量は、結果と治療の間のすべての相関を考慮しなければならない。 オーバーラップは、すべての個人に対する治療決定においてランダム性の存在を必要とする。 にもかかわらず、多くの研究は、しばしば未確定性や重複を犯し、例えば、決定論的処理決定を伴う観察的研究は、回帰不連続設計(Regression Discontinuity design)として知られる)が重複する。 本稿では, 平均治療効果の同定を可能にする一般条件の研究を開始し, 未確立性や重複性を超えて拡張する。 特に、統計的学習理論のパラダイムに従って、ATEの同定に十分かつほぼ必要となる解釈可能な条件を提供する。 さらに、この条件は、治療(ATT)に対する平均治療効果の識別を特徴付け、他の治療効果も特徴付けることができる。 本研究は, 条件が満たされるシナリオを複数提示し, 先行作業が達成できない状況下でATEを識別できることを実証する。 例えば、データ分布に関する軽微な仮定の下では、Tan (2006) と Rosenbaum (2002) が提案したモデルと、Thistlethwaite と Campbell (1960) が導入した回帰不連続性設計モデルに当てはまる。 これらのシナリオのそれぞれに対して、自然な追加仮定の下では、ATEは有限標本から推定できることを示す。 これらの知見は、特に複雑な治療機構を持つ観察研究において、学習理論的洞察と因果推論の方法論をブリッジングするための新たな道を開くと信じている。

関連論文リスト

• Towards generalizable single-cell perturbation modeling via the Conditional Monge Gap [1.437446768735628]
  条件付きモンジュギャップは任意のco変数上で条件付きOT写像を学習する。 条件付きモデルでは、scRNA-seqの条件固有状態に匹敵する結果が得られる。 また, 構造に基づく薬物表現と効果に基づく薬物表現のギャップを狭め, 目に見えない治療に対する摂動効果の予測に成功するための有望な経路を示唆した。
  論文  参考訳（メタデータ） (2025-04-11T07:51:33Z)
• 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)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Falsification before Extrapolation in Causal Effect Estimation [6.715453431174765]
  個体群における因果関係は、しばしば観測データを用いて推定される。 本稿では,偏りのある観測推定を拒否するメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T21:47:23Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
  問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。 本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。 シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• On Testability of the Front-Door Model via Verma Constraints [7.52579126252489]
  フロントドア基準は、測定されていない共同設立者にもかかわらず因果関係を識別し、計算するために用いられる。 主要な仮定 -- 結果に対する治療の効果を完全に媒介する変数の存在と、類似したコンバウンディングの問題に同時に苦しめられていない変数の存在は、しばしば許し難いものとみなされる。 補助変数を含む穏やかな条件下では, 一般等式制約により, フロントドアモデルに符号化された仮定を検証できることを示す。
  論文  参考訳（メタデータ） (2022-03-01T00:38:29Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Conformal Inference of Counterfactuals and Individual Treatment Effects [6.810856082577402]
  そこで本研究では,反ファクトや個々の治療効果について,信頼できる間隔を推定できる共形推論に基づく手法を提案する。 既存の手法は、単純なモデルであってもかなりのカバレッジの欠陥に悩まされる。
  論文  参考訳（メタデータ） (2020-06-11T01:03:32Z)

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。