論文の概要: Copula-Based Endogeneity Correction for Doubly Robust Estimation of Treatment Effect
- arxiv url: http://arxiv.org/abs/2605.03278v1
- Date: Tue, 05 May 2026 02:09:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.718528
- Title: Copula-Based Endogeneity Correction for Doubly Robust Estimation of Treatment Effect
- Title（参考訳）: Copula-based Endogeneity Corction for Duubly Robust Estimation of Treatment Effect (特集 バイオサイバネティックスとバイオサイバネティックス)
- Authors: Sahil Shikalgar, Md. Noor-E-Alam,
- Abstract要約: 二重ロバスト (DR) による治療効果の推定は、未観測の共起が存在しないという証明不可能な仮定に依存している。
治療モデルと結果モデルの両方において内在性に対処するコーパス補正二重頑健性推定器を提案する。
- 参考スコア（独自算出の注目度）: 1.4824891788575416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Doubly Robust (DR) estimation of treatment effect relies on an untestable assumption that is the absence of unobserved confounding. This assumption is par- ticularly problematic in the context of healthcare research, where variables like pre- scription refill rates serve as proxies for unobserved behaviors such as medication adherence. These proxy variables are often endogenous, exhibiting correlation with the regression error term due to unmeasured confounding or measurement error. We propose a copula-corrected doubly robust estimator that addresses endogeneity in both the treatment and outcome models without requiring instrumental variables. Gaussian copulas model the joint distribution of endogenous covariates and the error term, enabling consistent estimation while preserving the doubly robust property that requires correct specification of either the treatment or outcome model, not both. Monte Carlo simulations demonstrate that naive DR estimation exhibits substantial bias under endogeneity, whereas our corrected estimator recovers unbiased treatment effects across different data-generating processes. We apply our method to examine the effect of nutritional counseling on blood pressure using the National Health and Nutrition Examination Survey (NHANES) data. Naive DR estimation suggests counseling is associated with increased blood pressure. After copula correction, this effect becomes statistically insignificant, consistent with literature showing modest effects of nutri- Counseling in reducing blood pressure. Our methodology provides researchers with a practical tool for obtaining treatment effects in the presence of endogeneity.
- Abstract（参考訳）: 二重ロバスト (Douubly Robust, DR) による治療効果の推定は、未観測の共起が存在しないという証明不可能な仮定に依存している。
この仮定は、処方前補充率のような変数が、薬物の付着のような観察されていない行動のプロキシとして機能する医療研究の文脈において、特に問題となる。
これらのプロキシ変数はしばしば内在的であり、未測定のコンファウンディングや測定誤差による回帰誤差項との相関を示す。
器用変数を必要としない処理モデルと結果モデルの両方の内在性に対処するコーパス補正二重頑健な推定器を提案する。
ガウスコプラは内因性共変量と誤差項の合同分布をモデル化し、どちらもではなく、治療または結果モデルの正しい仕様を必要とする二重頑健性を維持しながら一貫した推定を可能にする。
モンテカルロシミュレーションでは,内在性の下では内在的DR推定が有意な偏りを示すのに対し,補正された推定器は異なるデータ生成過程にわたって非偏り処理効果を回復することを示した。
本研究では,NHANES(National Health and Nutrition Examination Survey)データを用いて,栄養カウンセリングが血圧に及ぼす影響について検討する。
ナイーブDR推定はカウンセリングが血圧上昇と関連していることを示唆している。
コプラ補正後、この効果は統計的に重要ではなく、ナトリカウンセリングによる血圧低下効果を示す文献と一致している。
本手法は、内因性の存在下で治療効果を得るための実用的なツールを研究者に提供する。
関連論文リスト
- A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - 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) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳（メタデータ） (2022-01-15T17:21:26Z) - BITES: Balanced Individual Treatment Effect for Survival data [0.0]
患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。
時間から時間までのデータは、治療最適化にはほとんど使われない。
我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
論文 参考訳（メタデータ） (2022-01-05T10:39:31Z) - 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) - Kernel Methods for Unobserved Confounding: Negative Controls, Proxies,
and Instruments [6.441975792340023]
負の制御は、未測定のコンファウンディングの存在下で、治療と結果の因果関係を学ぶための戦略である。
非パラメトリックな処理効果を負の制御で学習するためのカーネルリッジ回帰に基づくアルゴリズム群を提案する。
論文 参考訳（メタデータ） (2020-12-18T16:00:08Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - 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) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - 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)
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。