論文の概要: Learning plug-in surrogate endpoints for randomized experiments
- arxiv url: http://arxiv.org/abs/2605.12051v1
- Date: Tue, 12 May 2026 12:31:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.85704
- Title: Learning plug-in surrogate endpoints for randomized experiments
- Title（参考訳）: ランダム化実験のためのプラグイン・サロゲートエンドポイントの学習
- Authors: Alessandro-Umberto Margueritte, Ahmet Zahid Balcıoğlu, Jesse Krijthe, Dave Zachariah, Fredrik D. Johansson,
- Abstract要約: サロゲートエンドポイントは、ランダム化実験における長期的な結果の代わりに使用される。
短時間のサロゲートは、サロゲートを用いた実験の結果が実際の結果を用いた仮説研究の結果の予測である場合によい。
本稿では,効果予測性を最大化する2つの方法を提案する。
- 参考スコア（独自算出の注目度）: 48.46651943268683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surrogate endpoints are used in place of long-term outcomes in randomized experiments when observing the real outcome for a large enough cohort is prohibitively expensive or impractical. A short-term surrogate is good if the result of an experiment using the surrogate is predictive of the result of a hypothetical study using the real outcome. Much attention has been paid to formalizing this property in causal terms, but most criteria are unidentifiable and cannot be turned into practical algorithms for learning surrogate endpoints from data. To address this, we study plug-in composite surrogates, functions of post-treatment variables that may be substituted directly for the primary outcome in a randomized experiment. We propose two methods for learning plug-in surrogates that maximize effect predictiveness, and characterize the possibility of finding endpoints that yield unbiased effect estimates in representative scenarios. Finally, in both synthetic experiments with known effects and in data from a real-world experiment, we find that our method, based on directly modeling the surrogate effect, returns plug-in endpoints more predictive of the primary effect than established methods.
- Abstract（参考訳）: サロゲートエンドポイントは、十分に大きなコホートの実際の結果を観察する際、ランダム化実験における長期的な結果の代わりに使用される。
短時間のサロゲートは、サロゲートを用いた実験の結果が実際の結果を用いた仮説研究の結果の予測である場合によい。
この特性を因果的に定式化するために多くの注意が払われているが、ほとんどの基準は同定不可能であり、データから終点を学習するための実用的なアルゴリズムにはならない。
これを解決するために, ランダム化実験において, 一次結果に代えて直接代用できるポスト処理変数であるプラグイン複合サロゲートについて検討した。
本稿では,効果予測性を最大化するプラグインサロゲートを学習する2つの手法を提案する。
最後に、既知の効果を持つ合成実験と実世界の実験のデータの両方において、サロゲート効果を直接モデル化した手法が、確立された方法よりも、より精度の高いプラグインエンドポイントを返すことが判明した。
関連論文リスト
- Prediction-Powered Causal Inferences [59.98498488132307]
予測型因果推論(PPCI)に焦点をあてる
まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。
次に、実験間での十分な表現制約伝達の妥当性を導入する。
論文 参考訳（メタデータ） (2025-02-10T10:52:17Z) - Continuous Treatment Effects with Surrogate Outcomes [12.548638259932915]
持続的治療効果の予測におけるサロゲートの役割について検討した。
そこで本研究では,サロゲートを効率的に分析に組み込む2つの頑健な手法を提案する。
論文 参考訳（メタデータ） (2024-01-31T20:50:18Z) - Adaptive Instrument Design for Indirect Experiments [48.815194906471405]
RCTとは異なり、間接的な実験は条件付き機器変数を利用して治療効果を推定する。
本稿では,データ収集ポリシーを適応的に設計することで,間接実験におけるサンプル効率の向上に向けた最初のステップについて述べる。
我々の主な貢献は、影響関数を利用して最適なデータ収集ポリシーを探索する実用的な計算手順である。
論文 参考訳（メタデータ） (2023-12-05T02:38:04Z) - Choosing a Proxy Metric from Past Experiments [54.338884612982405]
多くのランダム化実験では、長期的な計量の処理効果は測定が困難または不可能であることが多い。
一般的な方法は、いくつかの短期的プロキシメトリクスを計測して、長期的メトリックを綿密に追跡することである。
ランダム化実験の同種集団において最適なプロキシメトリックを定義し構築するための新しい統計フレームワークを導入する。
論文 参考訳（メタデータ） (2023-09-14T17:43:02Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z) - Overly Optimistic Prediction Results on Imbalanced Data: a Case Study of
Flaws and Benefits when Applying Over-sampling [13.463035357173045]
データを相互に排他的なトレーニングとテストセットに分割する前にオーバーサンプリングを適用する。
この結果が,2つの人工データセットを用いて偏りを生じさせ,この欠陥が同定された研究結果を再現することを示す。
論文 参考訳（メタデータ） (2020-01-15T12:53:23Z) - Estimating Treatment Effects using Multiple Surrogates: The Role of the Surrogate Score and the Surrogate Index [4.154846138501937]
治療の長期的な効果を見積もるのは、多くの分野において興味深いことである。
一つのアプローチは、しばしば統計代理と呼ばれる中間結果に対する治療効果を分析することである。
論文 参考訳（メタデータ） (2016-03-30T19:45:52Z)
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。