論文の概要: Causal Generalization of Continuous Treatment Effects under Covariate Shift
- arxiv url: http://arxiv.org/abs/2608.19383v1
- Date: Wed, 19 Aug 2026 18:56:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.38588
- Title: Causal Generalization of Continuous Treatment Effects under Covariate Shift
- Title（参考訳）: 共変量シフト下における連続処理効果の因果一般化
- Abstract要約: 平均線量応答関数は連続的な治療の因果効果を要約するために広く用いられている。
既存の手法の多くは、観測されたサンプルが対象の個体数を表すと仮定している。
- 参考スコア（独自算出の注目度）: 3.504408436046102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Average dose-response functions are widely used to summarize causal effects of continuous treatments, but most existing methods assume that the observed sample represents the target population. We study a covariate-shift setting in which covariates, treatment, and outcome are observed in a labelled source sample, while only covariates are observed in the target sample. We develop a two-sample local polynomial regression framework based on pseudo-outcomes that use source outcomes to address confounding and target covariates to define the population of interest. We further propose a source-to-target extension of distance covariance optimal weighting (DCOW), designed to remove treatment-covariate dependence in the source sample while aligning the weighted source covariate distribution with the target population. A central theoretical contribution is a weight-level analysis of this optimization-based procedure: we show that the population criterion identifies the oracle source-to-target weights and that approximate empirical minimizers, including exact minimizers as a special case, converge uniformly to these weights under regularity conditions. We also establish consistency and asymptotic normality of the resulting estimator. Simulations show that the proposed method improves target dose-response estimation relative to DCOW, generalized-propensity-score weighting, entropy balancing, and unweighted alternatives. We illustrate the method in a county-level analysis of PM2.5 exposure and subsequent heart-disease mortality using a source-target validation design.
- Abstract（参考訳）: 平均線量応答関数は連続治療の因果効果を要約するために広く用いられているが、既存の方法では、観測されたサンプルは対象の個体群を表すと推定されている。
ラベル付きソースサンプルでは共変量, 治療, 結果が観察され, 対象サンプルでは共変量のみが観察される共変量シフト設定について検討した。
本研究では,2サンプルの局所多項式回帰フレームワークを開発した。このフレームワークは,共起と目的共変量に対処し,興味の集団を定義するためにソース結果を利用する。
また,距離共分散最適重み付け(DCOW)のソース・トゥ・ターゲット拡張を提案し,重み付きソース共変量分布と対象個体群との整合を図りながら,ソースサンプルの処理・共変量依存性を除去する。
この最適化に基づく手法の重みレベル解析は, 人口基準がオラクル源対ターゲットの重みを同定し, 厳密な最小化器を含む近似的な経験的最小化器が正規性条件下でこれらの重みに均一に収束することを示すものである。
また、得られた推定器の一貫性と漸近正規性も確立する。
シミュレーションにより,提案手法はDCOWに対する目標線量-応答推定,一般化された確率-スコア重み付け,エントロピーバランス,および非重み付き代替品に対して改善することが示された。
本手法は,PM2.5曝露とその後の心不全死亡率のカウンティレベル分析において,ソース・ターゲット検証設計を用いて検討した。
関連論文リスト
- Kernel-Based Functional Balancing for Causal Inference with Compositional Treatments [3.827469920771502]
合成処理による因果効果の推定について検討し, 露光は単純度上にあり, 推定値は2進値ではなく2進値上で定義される。
論文 参考訳（メタデータ） (2026-06-15T21:24:58Z) - Flow-Based Density Ratio Estimation for Intractable Distributions with Applications in Genomics [80.05951561886123]
我々は条件認識フローマッチングを利用して、生成軌道に沿った密度比を追跡するための1つの動的定式化を導出する。
クローズドフォーム比推定のためのシミュレーションベンチマーク上での競合性能を実証し,本手法が単一セルゲノミクスデータ解析における多目的タスクをサポートすることを示す。
論文 参考訳（メタデータ） (2026-02-27T17:27:55Z) - Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies [1.338174941551702]
個別治療体制(ITR)は、患者固有の特徴に基づいて治療を割り当てることにより、臨床結果を改善することを目的としている。
本稿では,潜在的結果のコントラストを目標とし,低次元部分空間を同定する,新しい十分次元削減手法を提案する。
提案手法は,緩やかな規則性条件下で,ベイズリスクに収束する普遍的整合性を実現することを示す。
論文 参考訳（メタデータ） (2026-01-11T05:38:08Z) - On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization [6.324765782436764]
既製の機械学習手法を利用したフレキシブルな分散回帰フレームワークを提案する。
提案する推定器の分布を確立し,有効な推論手順を導入する。
論文 参考訳（メタデータ） (2025-06-06T10:14:38Z) - 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) - Sample Weight Averaging for Stable Prediction [33.96006836156484]
アウト・オブ・ディストリビューションの一般化の課題は、機械学習アルゴリズムを危険に敏感な領域に応用するための基礎的な懸念を生じさせる。
本稿では,様々なサンプル再重み付けアルゴリズムに普遍的に統合し,分散および係数推定誤差を低減できる簡易かつ効率的な戦略であるSAmple Weight Averaging (zawa)を提案する。
論文 参考訳（メタデータ） (2025-02-11T09:51:22Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - Variational Refinement for Importance Sampling Using the Forward
Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。
重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。
近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文 参考訳（メタデータ） (2021-06-30T11:00:24Z) - Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。
提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。
2倍のロス率推定フレームワークの下では、その優位性を維持している。
論文 参考訳（メタデータ） (2020-12-26T20:15:44Z) - 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) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳（メタデータ） (2020-07-08T11:35:47Z)
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。