論文の概要: Causal Inference for Preprocessed Outcomes with an Application to Functional Connectivity

• arxiv url: http://arxiv.org/abs/2602.02240v1
• Date: Mon, 02 Feb 2026 15:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.265345
• Title: Causal Inference for Preprocessed Outcomes with an Application to Functional Connectivity
• Title（参考訳）: 関数接続性を考慮した前処理結果の因果推論
• Authors: Zihang Wang, Razieh Nabi, Benjamin B. Risk,
• Abstract要約: そこで本研究では,対象物内処理後に得られた因果推論を導出する半パラメトリックフレームワークを提案する。 我々は、このフレームワークを仲介設定に特化し、自然の直接効果に焦点をあてる。 自閉症スペクトラム障害児の脳への刺激薬の影響を推定するために本手法を適用した。
• 参考スコア（独自算出の注目度）: 1.7078619393681336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In biomedical research, repeated measurements within each subject are often processed to remove artifacts and unwanted sources of variation. The resulting data are used to construct derived outcomes that act as proxies for scientific outcomes that are not directly observable. Although intra-subject processing is widely used, its impact on inter-subject statistical inference has not been systematically studied, and a principled framework for causal analysis in this setting is lacking. In this article, we propose a semiparametric framework for causal inference with derived outcomes obtained after intra-subject processing. This framework applies to settings with a modular structure, where intra-subject analyses are conducted independently across subjects and are followed by inter-subject analyses based on parameters from the intra-subject stage. We develop multiply robust estimators of causal parameters under rate conditions on both intra-subject and inter-subject models, which allows the use of flexible machine learning. We specialize the framework to a mediation setting and focus on the natural direct effect. For high dimensional inference, we employ a step-down procedure that controls the exceedance rate of the false discovery proportion. Simulation studies demonstrate the superior performance of the proposed approach. We apply our method to estimate the impact of stimulant medication on brain connectivity in children with autism spectrum disorder.
• Abstract（参考訳）: 医学的な研究において、各被験者の繰り返し測定は、しばしば人工物や望ましくない変化源を取り除くために処理される。 得られたデータは、直接観測できない科学的結果のプロキシとして機能する導出結果を構築するために使用される。 対象内処理は広く用いられているが, 対象間統計的推論への影響は体系的に研究されておらず, 因果解析の原理的枠組みが欠如している。 本稿では,物体内処理後に得られた帰納的結果と因果推論のための半パラメトリックフレームワークを提案する。 本枠組みは, 対象物間分析を対象物間独立に行うモジュール構造を用いて, 対象物間解析を行い, 対象物間解析を行い, 対象物間のパラメータに基づいて対象物間解析を行う。 対象物内モデルと対象物間モデルの両方のレート条件下での因果パラメータの乗算ロバストな推定器を開発し,フレキシブルな機械学習を実現する。 我々は、このフレームワークを仲介設定に特化し、自然の直接効果に焦点をあてる。 高次元推論には、偽発見率の超越率を制御するステップダウン手順を用いる。 シミュレーション研究は,提案手法の優れた性能を示す。 自閉症スペクトラム障害児の脳への刺激薬の影響を推定するために本手法を適用した。

関連論文リスト

• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Causal mediation analysis with one or multiple mediators: a comparative study [36.52655918884223]
  因果媒介分析のための古典的推定器のパラメトリックおよび非パラメトリック実装について考察する。 シミュレーションデータに対する総合的なベンチマークにおいて、いくつかのアプローチを評価する。 応用例として,認知機能に影響を与える要因の徹底的な分析を提案する。 この分析は、高血圧や肥満などいくつかの生理的要因について、その効果のかなりの部分は脳構造の変化によるものであることを示している。
  論文  参考訳（メタデータ） (2025-05-12T08:10:50Z)
• Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
  本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。 我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T18:00:51Z)
• Identification and multiply robust estimation in causal mediation analysis across principal strata [7.801213477601286]
  治療後イベントの存在下での因果仲裁の評価について検討する。 本研究では,各媒介推定値に対する効率的な影響関数を導出する。
  論文  参考訳（メタデータ） (2023-04-20T00:39:20Z)
• Interpretable Deep Causal Learning for Moderation Effects [0.0]
  本稿では、因果機械学習モデルにおける解釈可能性と目標正規化の問題に対処する。 本稿では,個別の処理効果を推定するための新しい深層対実学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-06-21T11:21:09Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。