論文の概要: DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation
- arxiv url: http://arxiv.org/abs/2508.05215v1
- Date: Thu, 07 Aug 2025 09:51:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.798896
- Title: DFW: A Novel Weighting Scheme for Covariate Balancing and Treatment Effect Estimation
- Title（参考訳）: DFW:共変量バランスと処理効果推定のための新しい重み付け方式
- Authors: Ahmad Saeed Khan, Erik Schaffernicht, Johannes Andreas Stork,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating causal effects from observational data is challenging due to selection bias, which leads to imbalanced covariate distributions across treatment groups. Propensity score-based weighting methods are widely used to address this issue by reweighting samples to simulate a randomized controlled trial (RCT). However, the effectiveness of these methods heavily depends on the observed data and the accuracy of the propensity score estimator. For example, inverse propensity weighting (IPW) assigns weights based on the inverse of the propensity score, which can lead to instable weights when propensity scores have high variance-either due to data or model misspecification-ultimately degrading the ability of handling selection bias and treatment effect estimation. To overcome these limitations, we propose Deconfounding Factor Weighting (DFW), a novel propensity score-based approach that leverages the deconfounding factor-to construct stable and effective sample weights. DFW prioritizes less confounded samples while mitigating the influence of highly confounded ones, producing a pseudopopulation that better approximates a RCT. Our approach ensures bounded weights, lower variance, and improved covariate balance.While DFW is formulated for binary treatments, it naturally extends to multi-treatment settings, as the deconfounding factor is computed based on the estimated probability of the treatment actually received by each sample. Through extensive experiments on real-world benchmark and synthetic datasets, we demonstrate that DFW outperforms existing methods, including IPW and CBPS, in both covariate balancing and treatment effect estimation.
- Abstract（参考訳）: 観察データから因果効果を推定することは選択バイアスによって困難であり、これは治療群間で不均衡な共変量分布をもたらす。
確率スコアに基づく重み付け法は、ランダム化制御試験(RCT)をシミュレートするためにサンプルを再重み付けすることでこの問題に対処するために広く用いられている。
しかし,これらの手法の有効性は,観測データと妥当性スコア推定器の精度に大きく依存する。
例えば、逆相対性重み付け(IPW)は、相対性スコアの逆の値に基づいて重み付けを割り当てるが、これは、確率スコアがデータやモデルの不特定性によって高い分散度を持つ場合、不安定な重み付けにつながる可能性がある。
これらの制約を克服するために, 安定かつ有効な試料重量を構築するために, 分解係数を利用した新しい確率スコアに基づくアプローチである分解因子重み付け(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、あまり凝縮しないサンプルを優先し、RCTをよりよく近似する擬似集団を生成する。
DFWは2次処理で定式化されているが,各試料が実際に受信した処理の予測確率に基づいて分解係数を計算するため,自然に多処理設定に拡張される。
実世界のベンチマークと合成データセットに関する広範な実験を通じて、DFWは、IPWやCBPSを含む既存の手法よりも、共変量バランスと治療効果推定において優れていることを示した。
関連論文リスト
- Doubly robust outlier resistant inference on causal treatment effect [0.0]
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。
論文 参考訳（メタデータ） (2025-07-23T11:58:54Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - Differentiable Pareto-Smoothed Weighting for High-Dimensional Heterogeneous Treatment Effect Estimation [0.6906005491572401]
重み付き表現学習による数値的ロバストな推定器を開発する。
提案手法は,重み値を効果的に補正することにより,既存手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2024-04-26T15:34:04Z) - Learning to Re-weight Examples with Optimal Transport for Imbalanced
Classification [74.62203971625173]
不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。
不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。
本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T01:23:54Z) - 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) - 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) - 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) - Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。
提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。
2倍のロス率推定フレームワークの下では、その優位性を維持している。
論文 参考訳（メタデータ） (2020-12-26T20:15:44Z) - 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) - Optimal Off-Policy Evaluation from Multiple Logging Policies [77.62012545592233]
我々は,複数のロギングポリシからオフ政治評価を行い,それぞれが一定のサイズ,すなわち階層化サンプリングのデータセットを生成する。
複数ロガーのOPE推定器は,任意のインスタンス,すなわち効率のよいインスタンスに対して最小分散である。
論文 参考訳（メタデータ） (2020-10-21T13:43:48Z)
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。