論文の概要: Assessment of the conditional exchangeability assumption in causal machine learning models: a simulation study

• arxiv url: http://arxiv.org/abs/2510.26700v1
• Date: Thu, 30 Oct 2025 17:05:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.918619
• Title: Assessment of the conditional exchangeability assumption in causal machine learning models: a simulation study
• Title（参考訳）: 因果機械学習モデルにおける条件交換可能性仮定の評価--シミュレーションによる研究
• Authors: Gerard T. Portela, Jason B. Gibbons, Sebastian Schneeweiss, Rishi J. Desai,
• Abstract要約: 条件交換可能性違反による因果機械学習モデルの性能評価と負の制御結果(NCO)の有用性について検討した。 サンプルサイズ,NCOコンファウンディング構造が異なる実世界のシナリオを再現するために,データをシミュレートした。
• 参考スコア（独自算出の注目度）: 0.31498833540989407
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Observational studies developing causal machine learning (ML) models for the prediction of individualized treatment effects (ITEs) seldom conduct empirical evaluations to assess the conditional exchangeability assumption. We aimed to evaluate the performance of these models under conditional exchangeability violations and the utility of negative control outcomes (NCOs) as a diagnostic. We conducted a simulation study to examine confounding bias in ITE estimates generated by causal forest and X-learner models under varying conditions, including the presence or absence of true heterogeneity. We simulated data to reflect real-world scenarios with differing levels of confounding, sample size, and NCO confounding structures. We then estimated and compared subgroup-level treatment effects on the primary outcome and NCOs across settings with and without unmeasured confounding. When conditional exchangeability was violated, causal forest and X-learner models failed to recover true treatment effect heterogeneity and, in some cases, falsely indicated heterogeneity when there was none. NCOs successfully identified subgroups affected by unmeasured confounding. Even when NCOs did not perfectly satisfy its ideal assumptions, it remained informative, flagging potential bias in subgroup level estimates, though not always pinpointing the subgroup with the largest confounding. Violations of conditional exchangeability substantially limit the validity of ITE estimates from causal ML models in routinely collected observational data. NCOs serve a useful empirical diagnostic tool for detecting subgroup-specific unmeasured confounding and should be incorporated into causal ML workflows to support the credibility of individualized inference.
• Abstract（参考訳）: 個別化処理効果(ITEs)の予測のための因果機械学習(ML)モデルを開発する観察的研究は、条件交換可能性の仮定を評価するための経験的評価をめったに行わない。 本研究の目的は,条件付き交換可能性違反によるモデルの性能評価と負の制御結果(NCO)を診断として活用することであった。 原因森林モデルとX-ラーナーモデルを用いて, 真の不均一性の有無を含む様々な条件下で発生したITT推定値の共起バイアスについてシミュレーションを行った。 サンプルサイズ,NCOコンファウンディング構造が異なる実世界のシナリオを再現するために,データをシミュレートした。 次に, 未測定のコンファウンディングの有無にかかわらず, 一次成績およびNCOに対するサブグループレベルの治療効果を推定し, 比較した。 条件交換性に反すると、因果林とX-ラーナーのモデルでは真の治療効果の不均一性を回復できず、場合によっては、不均一な場合には不均一性を偽示することもあった。 NCOは未測定のコンバウンディングによって影響を受けるサブグループを同定した。 NCOがその理想的な仮定を完全に満たさなかったとしても、それは情報的であり、サブグループレベルの推定において潜在的なバイアスをフラグ付けするが、必ずしも最大の共起を持つ部分群をピンポイントするわけではない。 条件交換可能性の違反は、定期的に収集された観測データにおける因果MLモデルからのITT推定の妥当性を著しく制限する。 NCOは、サブグループ固有の未測定コンバウンディングを検出するための有用な経験的診断ツールであり、個別の推論の信頼性をサポートするために、因果MLワークフローに組み込まれるべきである。

関連論文リスト

• Understanding challenges to the interpretation of disaggregated evaluations of algorithmic fairness [49.35494016290887]
  関係する人口を表わすが、実世界の格差を反映するデータである場合、サブグループ間での平等なパフォーマンスは、信頼できない公平さの尺度であることを示す。 本フレームワークでは, 因果関係の明示的な仮定と分析を相補して, 相反や分布変化の制御を提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:40:31Z)
• Double Machine Learning meets Panel Data -- Promises, Pitfalls, and Potential Solutions [0.0]
  機械学習(ML)アルゴリズムを用いた因果効果の推定は、適切なフレームワークで使用すれば、機能的なフォーム仮定を緩和するのに役立ちます。 我々は、観測されていない異種性の存在下で、パネルデータに機械学習(DML)を適用する方法を示す。 また、観測された共同設立者に対する観測されていない異種性の影響が、ほとんどの代替手法の性能に重要な役割を担っていることも示している。
  論文  参考訳（メタデータ） (2024-09-02T13:59:54Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• 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)
• Identifying Peer Influence in Therapeutic Communities Adjusting for Latent Homophily [1.6385815610837167]
  薬物乱用や犯罪行為に対する対人的役割モデルの影響について検討した。 観測データに観測されていないホモフィリーが存在する場合のピアの影響を同定するために,潜時変動モデルを用いてネットワークをモデル化する。 以上の結果から,友人の卒業が住民の卒業に与える影響は,性別,人種,役割モデルの効果の定義によって異なることが示唆された。
  論文  参考訳（メタデータ） (2022-03-27T06:47:28Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• 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)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。