論文の概要: Proximal Path-Specific Inference

• arxiv url: http://arxiv.org/abs/2605.09462v1
• Date: Sun, 10 May 2026 10:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.262836
• Title: Proximal Path-Specific Inference
• Title（参考訳）: 近道特異的推論
• Authors: Yang Bai, Sihan Wu, Baoluo Sun, Yifan Cui,
• Abstract要約: 因果媒介分析は、経路特異的な効果を複数の中間変数で推定するために拡張されている。 既存の方法は通常、一般的な未測定の共起を含む厳密な仮定に依存している。 経路固有効果に対する4つの非境界同定戦略を開発し、四重に頑健で局所的に効率的な推定器を提案する。
• 参考スコア（独自算出の注目度）: 6.849668061523819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal mediation analysis has been extended to estimate path-specific effects with multiple intermediate variables, isolating treatment effects through a mediator of interest while excluding pathways through its ancestors. Such analyses address bias from recanting witnesses, i.e., treatment-induced mediator-outcome confounders. However, existing methods typically rely on stringent assumptions precluding general unmeasured confounding, which are often violated in practice. In this paper, we relax these restrictions by leveraging observed covariates as proxy variables to accommodate unmeasured confounding among the treatment, recanting witness, mediator, and outcome. Using proximal confounding bridge functions, we develop four nonparametric identification strategies for the path-specific effect. We further derive the efficient influence function and propose a quadruply robust, locally efficient estimator. To handle high-dimensional nuisance parameters, we propose a proximal debiased machine learning approach. We theoretically guarantee that our estimator achieves $\sqrt{n}$-consistency and asymptotic normality even when machine learning estimators for nuisance functions converge at slower rates. Our approaches are validated via semiparametric and nonparametric simulations and an application to the CDC WONDER Natality study, estimating the path-specific effect of prenatal care on preterm birth through preeclampsia, independent of maternal smoking during pregnancy.
• Abstract（参考訳）: 因果媒介分析は、経路特異的な効果を複数の中間変数で推定するために拡張され、その祖先を通る経路を除外しながら、興味の仲介者を通して治療効果を分離した。 このような分析は、再帰する目撃者、すなわち治療によって引き起こされるメディエーター・アウトカム共同設立者からの偏見に対処する。 しかし、既存の手法は一般的に、一般的には非計測的共起(英語版)を含む厳密な仮定に依存しており、実際にはしばしば違反する。 本稿では,これらの制約を,観察された共変量をプロキシ変数として活用することにより緩和し,治療,証人,仲介者,結果の未測定な相違に対処する。 近位共起ブリッジ関数を用いて,経路固有効果に対する4つの非パラメトリック識別戦略を開発する。 さらに、効率的な影響関数を導出し、四重に頑健で局所的に効率的な推定器を提案する。 高次元ニュアンスパラメータを扱うために,近位偏りの機械学習手法を提案する。 我々は,ニュアンス関数の機械学習推定器が遅い速度で収束しても,この推定器が$\sqrt{n}$-consistencyおよび漸近正規性を達成することを理論的に保証する。 本手法は半パラメトリックおよび非パラメトリックシミュレーションおよびCDC WONDER Natality研究への応用を通じて検証され,妊娠中の母体喫煙とは無関係に妊娠前出生における出生前ケアの経路特異的効果を推定した。

関連論文リスト

• Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring [50.164756034797136]
  臨床研究ではドロップアウトが一般的で、副作用やその他の理由で患者の半数以上が早期に退院する。 ドロップアウトが有益な場合、治療効果の推定値にもバイアスがかかるため、検閲バイアスが導入される。 検閲バイアスに直面した場合の生存分析における条件平均処理効果推定のロバスト性を評価するための仮定リーンフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-15T10:51:17Z)
• Double Debiased Machine Learning for Mediation Analysis with Continuous Treatments [38.70412001488559]
  本稿では,継続的な治療を支援するメディエーション分析のための機械学習アルゴリズムを提案する。 本研究では,現実の医療データとシミュレーションによるアプローチの数値評価を行い,グリセミックコントロールが認知機能に与える影響を解析する。
  論文  参考訳（メタデータ） (2025-03-08T10:46:47Z)
• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• 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)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• 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)
• 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)
• Multiply Robust Causal Mediation Analysis with Continuous Treatments [12.196869756333797]
  Tchetgen Tchetgen と Shpitser の影響関数に基づく推定器 (2012) に触発された継続的治療の設定に適した推定器を提案する。 提案手法はクロスフィッティングを用いて,ニュアンス関数の滑らかさ要件を緩和し,対象パラメータよりも遅い速度で推定できるようにする。
  論文  参考訳（メタデータ） (2021-05-19T16:58:57Z)

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。