論文の概要: Testing Effect Homogeneity and Confounding in High-Dimensional Experimental and Observational Studies

• arxiv url: http://arxiv.org/abs/2602.19703v1
• Date: Mon, 23 Feb 2026 10:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.443024
• Title: Testing Effect Homogeneity and Confounding in High-Dimensional Experimental and Observational Studies
• Title（参考訳）: 高次元実験・観察研究における均質性・混在性試験の効果
• Authors: Ana Armendariz, Martin Huber,
• Abstract要約: 本研究では, 条件付き平均処理効果(CATE)の均一性をテストするためのフレームワークを提案する。 提案手法は複数のランダム化試行を利用して, 治療効果が, 試験によって異なる不均一性と異なるかどうかを評価する。
• 参考スコア（独自算出の注目度）: 0.552480439325792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a framework for testing the homogeneity of conditional average treatment effects (CATEs) across multiple experimental and observational studies. Our approach leverages multiple randomized trials to assess whether treatment effects vary with unobserved heterogeneity that differs across trials: if CATEs are homogeneous, this indicates the absence of interactions between treatment and unobservables in the mean effect. Comparing CATEs between experimental and observational data further allows evaluation of potential confounding: if the estimands coincide, there is no unobserved confounding; if they differ, deviations may arise from unobserved confounding, effect heterogeneity, or both. We extend the framework to settings with alternative identification strategies, namely instrumental variable settings and panel data with parallel trends assumptions based on differences in differences, where effects are identified only locally for subpopulations such as compliers or treated units. In these contexts, testing homogeneity is useful for assessing whether local effects can be extrapolated to the total population. We suggest a test based on double machine learning that accommodates high-dimensional covariates in a data-driven way and investigate its finite-sample performance through a simulation study. Finally, we apply the test to the International Stroke Trial (IST), a large multi-country randomized controlled trial in patients with acute ischaemic stroke that evaluated whether early treatment with aspirin altered subsequent clinical outcomes. Our methodology provides a flexible tool for both validating identification assumptions and understanding the generalizability of estimated treatment effects.
• Abstract（参考訳）: 本研究では, 条件付き平均処理効果(CATE)の均一性をテストするためのフレームワークを提案する。 提案手法は,CATEが均質である場合,平均的効果における処理効果と観測不可能値との相互作用が欠如していることを示す。 実験データと観測データとのCATEの比較により、潜在的に不均一性の評価が可能となり、もし推定値が一致すれば、観測不能な不均一性はなく、それらが異なる場合、偏差は観測不能な不均一性、不均一性、あるいはその両方から生じる可能性がある。 本フレームワークは,機器変数設定や並列傾向仮定によるパネルデータといった,代替的な識別手法による設定に拡張され,コンバータや処理単位などのサブポピュレーションに対してのみ,その効果が局所的に識別される。 これらの文脈では、均一性をテストすることは、局所的な影響が全集団に外挿できるかどうかを評価するのに有用である。 本研究では,データ駆動方式で高次元共変量に対応可能な2次元機械学習に基づくテストを提案し,シミュレーション研究によりその有限サンプル性能について検討する。 最後に, 急性虚血性脳梗塞患者に対する多国間ランダム化対照試験である International Stroke Trial (IST) に本試験を適用し, 早期のアスピリン投与による臨床成績の変動について検討した。 本手法は, 同定仮定の検証と推定処理効果の一般化可能性の理解を両立させるフレキシブルなツールを提供する。

関連論文リスト

• A Bayesian Classification Trees Approach to Treatment Effect Variation with Noncompliance [0.5356944479760104]
  非準拠のランダム化試験における様々な治療効果を推定することは本質的に困難である。 既存の柔軟な機械学習手法は、弱い楽器の問題に非常に敏感である。 非準拠シナリオにおける二値応答変数に対するベイジアン因果フォレストモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-14T18:33:55Z)
• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• Identification of Single-Treatment Effects in Factorial Experiments [0.0]
  実験において複数の介入がランダム化されている場合、実験環境外において単一の介入が与える影響は、不在の英雄的仮定とは見なされないことを示す。 観測研究と要因実験は、ゼロおよび複数介入による潜在的アウトカム分布に関する情報を提供する。 この種の設計に頼っている研究者は、関数形式の線形性を正当化するか、あるいはDirected Acyclic Graphsで変数が実世界でどのように関連しているかを特定する必要がある。
  論文  参考訳（メタデータ） (2024-05-16T04:01:53Z)
• A Double Machine Learning Approach to Combining Experimental and Observational Data [58.05402364136958]
  実験と観測を組み合わせた二重機械学習手法を提案する。 本フレームワークは, より軽度な仮定の下で, 外部の妥当性と無知性に対するファルシフィケーションテストを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:53:11Z)
• Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects [0.1398098625978622]
  複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。 本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
  論文  参考訳（メタデータ） (2023-03-28T20:43:00Z)
• 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)
• 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。