論文の概要: Doubly robust outlier resistant inference on causal treatment effect

• arxiv url: http://arxiv.org/abs/2507.17439v1
• Date: Wed, 23 Jul 2025 11:58:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.978313
• Title: Doubly robust outlier resistant inference on causal treatment effect
• Title（参考訳）: 二重頑健なアウトリア抵抗性推論が因果治療効果に及ぼす影響
• Authors: Joonsung Kang,
• Abstract要約: 外圧器は観察研究において因果効果の推定を著しく歪めることができる。 汚染モデルに基づく平均処理効果の2倍頑健な点推定器を提案する。 我々の手法は、精度と堅牢性の両方において既存の手法より一貫して優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Outliers can severely distort causal effect estimation in observational studies, yet this issue has received limited attention in the literature. Their influence is especially pronounced in small sample sizes, where detecting and removing outliers becomes increasingly difficult. Therefore, it is essential to estimate treatment effects robustly without excluding these influential data points. To address this, we propose a doubly robust point estimator for the average treatment effect under a contaminated model that includes outliers. Robustness in outcome regression is achieved through a robust estimating equation, while covariate balancing propensity scores (CBPS) ensure resilience in propensity score modeling. To prevent model overfitting due to the inclusion of numerous parameters, we incorporate variable selection. All these components are unified under a penalized empirical likelihood framework. For confidence interval estimation, most existing approaches rely on asymptotic properties, which may be unreliable in finite samples. We derive an optimal finite-sample confidence interval for the average treatment effect using our proposed estimating equation, ensuring that the interval bounds remain unaffected by outliers. Through simulations and a real-world application involving hypertension data with outliers, we demonstrate that our method consistently outperforms existing approaches in both accuracy and robustness.
• Abstract（参考訳）: 外来者は観察研究において因果効果の推定を著しく歪めることができるが、この問題は文献ではあまり注目されていない。 それらの影響は、特に小さなサンプルサイズで顕著であり、そこでは、外れ値の検出と除去がますます困難になる。 したがって、これらのデータポイントを除外することなく、治療効果を頑健に見積もることが不可欠である。 そこで本研究では,外乱量を含む汚染モデルを用いて,平均処理効果を2倍に頑健に推定する手法を提案する。 結果回帰のロバスト性はロバストな推定式によって達成され、一方、共変量バランスの確率スコア(CBPS)は、確率スコアモデリングにおけるレジリエンスを保証する。 パラメータの多さによるモデルオーバーフィッティングを防止するため,変数選択を取り入れた。 これらのコンポーネントはすべて、ペナル化された経験的可能性の枠組みの下で統一されている。 信頼区間推定では、既存のほとんどのアプローチは漸近性に依存しており、有限標本では信頼できない。 提案した推定式を用いて, 平均処理効果に対する最適有限サンプル信頼区間を導出し, 間隔境界が外れ値の影響を受けないようにした。 シミュレーションと,降圧器付き高血圧データを含む実世界のアプリケーションを通じて,本手法は,精度と堅牢性の両方において,既存の手法よりも一貫して優れていることを示す。

関連論文リスト

• DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation [0.0]
  観測データから因果効果を推定することは、選択バイアスのため困難である。 本稿では,新しい確率スコアに基づく手法であるDeconfounding Factor Weighting (DFW)を提案する。 DFWは、高度に凝縮したサンプルの影響を緩和しながら、より縮小されたサンプルを優先する。
  論文  参考訳（メタデータ） (2025-08-07T09:51:55Z)
• TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
  OOD検出のための理論駆動型不確実性推定器TULiPを提案する。 本手法では,収束前にネットワークに適用される仮説的摂動を考察する。 提案手法は,特に近分布試料について,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-05-22T17:16:41Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• C-Learner: Constrained Learning for Causal Inference [5.395560682099634]
  本稿では,両世界の最適な重み付けを実現し,安定したプラグイン推定を実現する新しいデバイアス化手法を提案する。 我々の制約学習フレームワークは、プラグイン量に対する一階誤差がゼロであるという制約の下で、最高のプラグイン推定器を解く。
  論文  参考訳（メタデータ） (2024-05-15T16:38:28Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• 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)
• 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)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
  観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。 本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。 本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
  論文  参考訳（メタデータ） (2022-04-24T07:02:21Z)
• 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)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
  一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。 我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
  論文  参考訳（メタデータ） (2020-03-27T13:31:49Z)

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。