論文の概要: Orthogonal machine learning for conditional odds and risk ratios

• arxiv url: http://arxiv.org/abs/2604.10412v1
• Date: Sun, 12 Apr 2026 02:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.000136
• Title: Orthogonal machine learning for conditional odds and risk ratios
• Title（参考訳）: 条件付オッズとリスク比に対する直交機械学習
• Authors: Jiacheng Ge, Iván Díaz,
• Abstract要約: 我々は既存の手法をレビューし、オッズ比(OR)とリスク比(RR)に着目して新しい手法を提案する。 ORとRRの直交リスク関数を導出し、関連する擬似アウトカムがATEの場合と類似した2次条件付き残余特性を満たすことを示す。 また, 条件付きATE, OR, RRの予測をモンテカルロシミュレーションの包括的非パラメトリックシミュレーションで評価し, 数百の異なるデータ生成分布下での一般的な選択肢と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional effects are commonly used measures for understanding how treatment effects vary across different groups, and are often used to target treatments/interventions to groups who benefit most. In this work we review existing methods and propose novel ones, focusing on the odds ratio (OR) and the risk ratio (RR). While estimation of the conditional average treatment effect (ATE) has been widely studied, estimators for the OR and RR lag behind, and cutting edge estimators such as those based on doubly robust transformations or orthogonal risk functions have not been generalized to these parameters. We propose such a generalization here, focusing on the DR-learner and the R-learner. We derive orthogonal risk functions for the OR and RR and show that the associated pseudo-outcomes satisfy second-order conditional-mean remainder properties analogous to the ATE case. We also evaluate estimators for the conditional ATE, OR, and RR in a comprehensive nonparametric Monte Carlo simulation study to compare them with common alternatives under hundreds of different data-generating distributions. Our numerical studies provide empirical guidance for choosing an estimator. For instance, they show that while parametric models are useful in very simple settings, the proposed nonparametric estimators significantly reduce bias and mean squared error in the more complex settings expected in the real world. We illustrate the methods in the analysis of physical activity and sleep trouble in U.S. adults using data from the National Health and Nutrition Examination Survey (NHANES). The results demonstrate that our estimators uncover substantial treatment effect heterogeneity that is obscured by traditional regression approaches and lead to improved treatment decision rules, highlighting the importance of data-adaptive methods for advancing precision health research.
• Abstract（参考訳）: 条件付き効果は、治療効果が異なるグループ間でどのように異なるかを理解するために一般的に用いられ、最も利益があるグループに対する治療や介入を標的にするためにしばしば使用される。 本研究では,既存手法をレビューし,オッズ比 (OR) とリスク比 (RR) に着目して新しい手法を提案する。 条件平均処理効果 (ATE) の推定は広く研究されているが, ORおよびRRの遅れの予測器や, 二重頑健な変換や直交リスク関数に基づく切断端推定器はこれらのパラメータに一般化されていない。 本稿では,DR-learnerとR-learnerに着目した一般化を提案する。 ORとRRの直交リスク関数を導出し、関連する擬似アウトカムがATEの場合と類似した2次条件付き残余特性を満たすことを示す。 また, 条件付きATE, OR, RRの予測をモンテカルロシミュレーションの包括的非パラメトリックシミュレーションで評価し, 数百の異なるデータ生成分布下での一般的な選択肢と比較した。 我々の数値研究は、推定器を選択するための実証的なガイダンスを提供する。 例えば、パラメトリックモデルは、非常に単純な設定で有用であるが、提案された非パラメトリック推定器は、現実世界で期待されるより複雑な設定において、バイアスと平均2乗誤差を著しく低減する。 NHANES(National Health and Nutrition Examination Survey)のデータを用いて、米国成人の身体活動と睡眠障害の分析方法について述べる。 以上の結果から, 従来の回帰分析手法では明らかにされていない治療効果の不均一性を明らかにするとともに, 治療決定規則の改善に寄与し, 精度の高い健康研究を進めるためのデータ適応手法の重要性を浮き彫りにした。

関連論文リスト

• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• Comparison of the Cox proportional hazards model and Random Survival Forest algorithm for predicting patient-specific survival probabilities in clinical trial data [0.0]
  コックス比例ハザードモデルは、ランダム化比較試験(Randomized Controlled Trials:RCT)から得られるデータを、時間と時間による結果で分析するためにしばしば使用される。 ランダムサバイバルフォレスト(RSF)は、高い予測性能で知られている機械学習アルゴリズムである。 RCTからの2つの参照に基づいて,様々なシミュレーションシナリオにおけるCox回帰とRCFの性能を比較した。
  論文  参考訳（メタデータ） (2025-02-05T12:26:43Z)
• Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data [0.9087641068861047]
  条件付き平均治療効果(CATE)に対する因果的機械学習推定器に欠落した結果データが与える影響について論じる。 我々はCATE(mDR-learner)とmEP-learner(mEP-learner)の2つの非バイアス機械学習推定器を提案する。 妥当な条件下では,これらの推定器はオラクル効率が高く,シミュレーションデータ設定による良好な性能を示す。
  論文  参考訳（メタデータ） (2024-12-27T16:10:03Z)
• 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)
• 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)
• Generalization bounds and algorithms for estimating conditional average treatment effect of dosage [13.867315751451494]
  本研究では,治療薬対の条件付き平均因果効果を観測データと仮定の組み合わせで推定する作業について検討した。 これは疫学や経済学など、意思決定のために治療薬対を必要とする分野における長年にわたる課題である。 この問題に対するいくつかのベンチマークデータセットに対して、実証的に新しい最先端のパフォーマンス結果を示す。
  論文  参考訳（メタデータ） (2022-05-29T15:26:59Z)
• 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)
• 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)
• 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)

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。