論文の概要: Estimating Continuous Treatment Effects with Two-Stage Kernel Ridge Regression
- arxiv url: http://arxiv.org/abs/2604.13410v1
- Date: Wed, 15 Apr 2026 02:21:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.354229
- Title: Estimating Continuous Treatment Effects with Two-Stage Kernel Ridge Regression
- Title（参考訳）: 2段カーネルリッジ回帰による連続処理効果の推定
- Authors: Seok-Jin Kim, Kaizheng Wang,
- Abstract要約: 本研究では, 治療効果関数を連続的に推定する問題について検討し, それぞれの治療結果を平均値にマッピングする。
本稿では,この問題に対処する2段階のカーネルリッジ回帰手法を提案する。
- 参考スコア（独自算出の注目度）: 6.302369456012738
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of estimating the effect function for a continuous treatment, which maps each treatment value to a population-averaged outcome. A central challenge in this setting is confounding: treatment assignment often depends on covariates, creating selection bias that makes direct regression of the response on treatment unreliable. To address this issue, we propose a two-stage kernel ridge regression method. In the first stage, we learn a model for the response as a function of both treatment and covariates; in the second stage, we use this model to construct pseudo-outcomes that correct for distribution shift, and then fit a second model to estimate the treatment effect. Although the response varies with both treatment and covariates, the induced effect function obtained by averaging over covariates is typically much simpler, and our estimator adapts to this structure. Furthermore, we introduce a fully data-driven model selection procedure that achieves provable adaptivity to both the unknown degree of overlap and the regularity (eigenvalue decay) of the underlying kernel.
- Abstract（参考訳）: 本研究では, 治療効果関数を連続的に推定する問題について検討し, それぞれの治療結果を平均値にマッピングする。
治療の割り当ては、しばしば共変量に依存し、治療に対する反応の直接的な回帰を信頼できない選択バイアスを生み出す。
そこで本研究では,2段階のカーネルリッジ回帰手法を提案する。
第1段階では、処理と共変量の両方の関数として応答のモデルを学び、第2段階では、分布シフトに正しい擬似アウトカムを構築するためにこのモデルを使用し、第2のモデルに適合して処理効果を推定する。
反応は処理と共変量の両方で異なるが, 共変量平均化により得られる誘導効果関数は概してより単純であり, 推定器はこの構造に適応する。
さらに、未知の重複度と基底核の正則性(固有値減衰)の両方に対して証明可能な適応性を実現する完全データ駆動モデル選択法を導入する。
関連論文リスト
- Transfer Learning of CATE with Kernel Ridge Regression [4.588222946914528]
カーネルリッジ回帰(KRR)を用いた条件平均処理効果(CATE)の重畳適応変換学習法を提案する。
我々は, 弱い重なり合いとCATE関数の複雑さの両方に対する適応性を強調した, 急激な非漸近的MSE境界による手法の理論的正当性を提供する。
論文 参考訳（メタデータ） (2025-02-17T01:07:45Z) - Continuous Treatment Effect Estimation Using Gradient Interpolation and
Kernel Smoothing [43.259723628010896]
個人を個別に標本化し,反現実的結果を推測する直接的アプローチを提唱する。
提案手法を5つのベンチマークで評価し,提案手法が6つの最先端手法よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2024-01-27T15:52:58Z) - Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。
オラクル形式は影響関数の一貫した近似であることを示す。
次に、平均二乗誤差の観点から総合収束解析を行う。
論文 参考訳（メタデータ） (2023-09-22T12:18:53Z) - 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) - Jump Interval-Learning for Individualized Decision Making [21.891586204541877]
個別化区間値決定ルール(I2DR)を開発するためのジャンプインターバル学習を提案する。
単一の治療を推奨するIDRとは異なり、提案されたI2DRは個々の治療オプションの間隔を与える。
論文 参考訳（メタデータ） (2021-11-17T03:29:59Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-06T13:03:42Z)
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。