論文の概要: Calibrated Bayesian Inference for Stochastic Intervention Effects

• arxiv url: http://arxiv.org/abs/2608.02924v1
• Date: Mon, 03 Aug 2026 22:20:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.954557
• Title: Calibrated Bayesian Inference for Stochastic Intervention Effects
• Title（参考訳）: 確率的介入効果に対する校正ベイズ推論
• Abstract要約: 因果推論は、決定論的処理の割り当てによって定義される古典的な因果効果を超えてますます拡張される。 非パラメトリックベイズモデルは、その柔軟性と固有の不確実性伝播のために調整された介入効果を推定するのに魅力的である。 先行アルゴリズムや適合アルゴリズムを変更せずに後部サンプルに適用できる簡易な後処理補正法を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference increasingly extends beyond classical causal effects defined by deterministic treatment assignments, such as the average treatment effect, to stochastic intervention effects that can weaken positivity requirements and offer greater policy relevance. Nonparametric Bayesian models are attractive for estimating these effects due to their flexibility and inherent uncertainty propagation, but this posterior uncertainty need not be well calibrated for the causal effect of interest. We develop a simple post-processing correction that can be applied to posterior samples without changing the prior or fitting algorithm. We prove that, for a broad class of stochastic interventions, the corrected posterior yields asymptotically efficient inference and credible intervals with asymptotically valid frequentist coverage; formally, it satisfies a semiparametric Bernstein-von Mises theorem. The theory covers interventions specified independently of the observed treatment process, as well as interventions that modify it, including incremental propensity score interventions and a new power-tilt intervention. A central contribution is new theory for SoftBART, including conditions under which this flexible tree-based Bayesian model supports calibrated Bayesian inference for stochastic intervention effects. In simulations, the correction reduces bias and improves coverage relative to the uncorrected Bayesian analysis while remaining competitive with frequentist alternatives. We illustrate the method by estimating how expected LDL cholesterol would change under hypothetical increases or decreases in the odds of receiving statin therapy.
• Abstract（参考訳）: 因果推論は、平均的な治療効果のような決定論的治療課題によって定義される古典的な因果効果から、肯定的要求を弱め、政策関連性を高める確率的介入効果まで、ますます拡大している。 非パラメトリックベイズモデルは、その柔軟性と固有の不確実性伝播のためにこれらの効果を推定するのに魅力的であるが、この後続の不確実性は興味の因果効果に対して十分に調整される必要はない。 先行アルゴリズムや適合アルゴリズムを変更せずに後部サンプルに適用できる簡易な後処理補正法を開発した。 幅広い確率的介入のクラスにおいて、修正後の補正は漸近的に効率的な推論と漸近的に有効な頻繁なカバレッジを持つ信頼区間を得られることを証明し、正式には半パラメトリックなバーンスタイン・ヴォン・ミゼス定理を満たす。 この理論は、観察された治療プロセスとは独立して特定された介入と、それを修正する介入をカバーしている。 中心的な貢献はSoftBARTの新しい理論であり、この柔軟な木に基づくベイズモデルが確率的介入効果に対するキャリブレーションされたベイズ推定をサポートする条件を含む。 シミュレーションでは、補正はバイアスを減らし、非修正ベイズ解析に対するカバレッジを改善しながら、頻繁な代替と競合する。 本手法は, スタチン療法を受ける確率が, 仮説的増加または減少し, LDLコレステロールがどの程度変化するかを推定し, 検討した。

関連論文リスト

• Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes [0.0]
  片方の治療用アームが他方よりもはるかに小さい,少数のプラセボ系について検討した。 それらは、その名目レベルよりも、真の効果をほとんど含まない。 本稿では,各アームの結果面をガウス過程でモデル化するGP-CATEを提案する。
  論文  参考訳（メタデータ） (2026-05-26T11:18:42Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• 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)
• Doubly Robust Inference on Causal Derivative Effects for Continuous Treatments [5.151880096713011]
  本研究では, 線量応答曲線の微分に関する非パラメトリック推論について, 肯定的条件と無関係に検討した。 核平滑化を用いた線量応答曲線の導関数を推定するための二重頑健(DR)推定法を提案する。
  論文  参考訳（メタデータ） (2025-01-12T23:00:16Z)
• 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)
• Double Robust Bayesian Inference on Average Treatment Effects [2.458652618559425]
  不整合下での平均処理効果(ATE)に対する二重頑健なベイズ推定法を提案する。 新しいベイズ的アプローチでは、まず条件付き平均関数の事前分布を調整し、得られた ATE の後方分布を補正する。
  論文  参考訳（メタデータ） (2022-11-29T15:32:25Z)
• Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
  最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。 これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。 我々はこれらの考え方を非政治評価フレームワークに一般化する。
  論文  参考訳（メタデータ） (2022-11-02T23:39:36Z)
• Heterogeneous Treatment Effect Bounds under Sample Selection with an Application to the Effects of Social Media on Political Polarization [0.0]
  本研究では,不均一因果効果パラメータに対する境界の推定と推定手法を提案する。 この方法は、ポリシーに関連する事前処理変数の関数として条件効果境界を提供する。 フレキシブルなデバイアス/ダブルな機械学習アプローチを使って、非線形機能形式や高次元の共創者に対応しています。
  論文  参考訳（メタデータ） (2022-09-09T14:42:03Z)
• 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)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• 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)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)

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。