論文の概要: Learning heterogeneous treatment effects under principal stratification
- arxiv url: http://arxiv.org/abs/2606.29076v1
- Date: Sat, 27 Jun 2026 20:27:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.779431
- Title: Learning heterogeneous treatment effects under principal stratification
- Title（参考訳）: 主成層下における不均一な治療効果の学習
- Abstract要約: 主無知下における条件付き主因果効果の同定と推定について検討した。
本稿では,主成層に固有のネスト状ニュアンス構造を解消する,二重整合型二重剛性機械を提案する。
- 参考スコア（独自算出の注目度）: 4.965155763091777
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Principal stratification provides a foundational framework for causal inference with intermediate outcomes by defining causal effects within subpopulations, yet existing work has largely focused on average effects across strata rather than treatment effect heterogeneity within strata. Such within-stratum heterogeneity informs individualized treatment decisions but the associated methods are sparse. We address this gap by studying the identification and estimation of the conditional principal causal effects under principal ignorability combined with an odds ratio sensitivity parameterization, which relaxes the monotonicity assumption. To efficiently learn these estimands, we propose a novel doubly cross-fit doubly robust machine learner that resolves the nested nuisance structure inherent to principal stratification. Leveraging sequential orthogonal learning with regularized least-squares sieves, we derive $\mathcal{L}^2$ and uniform limit theory, establish oracle efficiency, and construct uniform confidence bands for the proposed estimator. We use simulations to demonstrate the finite-sample performance of our estimator, and provide an empirical analysis of a randomized trial in acute lung injury, revealing informative patterns of treatment effect heterogeneity within the always-survivor subpopulation.
- Abstract（参考訳）: 主な成層化は, 亜集団内の因果効果を定義することによって中間結果に対する因果推論の基礎的枠組みを提供するが, 既存の研究は, 成層内の不均一性に対する治療効果よりも, 成層全体の因果効果の平均的効果に重点を置いている。
このような階層内不均一性は個々の治療決定を通知するが、関連する方法は少ない。
主無知下での条件付き主因果効果の同定と推定とオッズ比感度パラメータ化を併用し, 単調性仮定を緩和することにより, このギャップに対処する。
これらの推定を効果的に学習するために,主層構造に固有のネストされたニュアンス構造を解消する,2倍整合性をもつ2倍整合型機械学習器を提案する。
正則化最小二乗探索による逐次直交学習を活用して、$\mathcal{L}^2$と一様極限理論を導出し、オラクル効率を確立し、提案した推定器に対する一様信頼帯域を構築する。
我々は, シミュレーションを用いて, 推定器の有限サンプル性能を実証し, 急性肺傷害におけるランダム化試験の実証分析を行い, 常生存群における治療効果の不均一性の有意なパターンを明らかにした。
関連論文リスト
- Disentangled Double Machine Learning for Accurate Causal Effect Estimation [80.07136847623498]
共起バイアスは観測データから因果効果を推定する上で重要な課題である。
二重機械学習(Double Machine Learning, DML)は、処理と結果ニュアンス関数を推定することによってこの問題に対処する。
DMLは高次元または有限サンプルのシナリオにおいてバイアス付きおよび不安定な推定をしばしば生成する。
本稿では,2つの重要な戦略を統合する新しいアルゴリズムであるDistangled Double Machine Learning (DDML)を提案する。
論文 参考訳（メタデータ） (2026-05-24T01:40:43Z) - Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions [18.19166664646723]
既存のアプローチは、典型的には全変数のグローバル因果構造学習や、因果正当性のような強い仮定に頼っている。
本研究では,非パラメトリック因果効果推定における共変量選択のための新しい局所学習法を提案する。
複数の合成データセットと2つの実世界のデータセットを用いた実験により,本手法は精度の高い因果効果推定を実現し,計算効率を大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-05-20T11:08:09Z) - Estimation of heterogeneous principal effects under principal ignorability [5.858849874821984]
2次処理と2次中間変数による不均一な主因果効果の推定と推定について検討した。
本研究では,不均一な主因果効果に対する不均一な信頼区間を推定・形成するための枠組みを提案する。
論文 参考訳（メタデータ） (2026-03-09T21:52:41Z) - Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery [5.669361767058639]
パーソナライズされた医療、資源配分、政策評価などの領域では、不均一な治療効果の推定が重要である。
因果樹林から派生した学習カーネルを用いて,推定処理効果に基づいて個人をクラスタリングする新しい枠組みを提案する。
論文 参考訳（メタデータ） (2025-09-06T17:01:23Z) - Deep Disentangled Representation Network for Treatment Effect Estimation [17.787544758117377]
観察データから個々のレベルの治療効果を推定することは因果推論の根本的な問題である。
本稿では,多面的注意を伴う専門家の混在を考慮した新しい治療効果推定アルゴリズムを提案する。
我々は、公開半合成および実世界の両方の生産データセットについて広範な実験を行う。
論文 参考訳（メタデータ） (2025-07-09T08:29:37Z) - 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) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - 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) - 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) - 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)
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。