論文の概要: Splitting the Difference: Interpretable Causal Forests for Treatment Effect Heterogeneity and Bias
- arxiv url: http://arxiv.org/abs/2609.16971v1
- Date: Tue, 15 Sep 2026 10:43:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.462205
- Title: Splitting the Difference: Interpretable Causal Forests for Treatment Effect Heterogeneity and Bias
- Title（参考訳）: 差異の分断:不均質とバイアスに対する治療効果の解釈可能な因果樹林
- Abstract要約: 本稿では,個々の治療効果を推定するための決定木とランダム森林に基づくアルゴリズムを提案する。
我々のアルゴリズムは単純で、標準的なランダム・フォレストのように動作しますが、異なる分割基準で動作します。
完全な正当性関数を別々に見積もることなく、様々な治療適合性を持つ観察的研究を扱う。
- 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: In various fields, such as medicine and marketing, accurately predicting individual treatment effects holds significant promise. However, achieving reliable predictions alone is often insufficient for making informed decisions; it is equally important to understand why the treatment effect is higher for some individuals than for others. To address this two-fold challenge of prediction and interpretation, we introduce an algorithm based on decision trees and random forests for estimating individual treatment effects. Our algorithm is simple: it operates exactly like a standard random forest, but with a different splitting criterion, and requires no additional workarounds such as double machine learning or orthogonalization as used in Generalized random forests. It handles observational studies with varying treatment propensities without requiring separate estimation of the full propensity function. This is achieved by combining two splitting criteria---one targeting heterogeneity in the treatment effect, the other targeting bias correction for the average treatment effect---which together improve split point selection and automatically distinguish confounders from features responsible for heterogeneity. As a result, interpretation follows directly from the fitted tree structure itself, that is, from which features the trees split on and with which split statistics, without requiring separate post-hoc analysis. For the theoretical analysis of this algorithm, we consider a change point model with step functions for potential outcomes and treatment propensity and provide insights into the theoretical underpinnings of our approach. Simulation studies show that our simple algorithm achieves comparable, and often better, prediction accuracy than existing methods, while substantially improving interpretability.
- Abstract（参考訳）: 医療やマーケティングなど様々な分野において、個々の治療効果を正確に予測することは大きな可能性を秘めている。
しかし、信頼できる予測を単独で達成することは、情報的な決定を下すには不十分であることが多く、他の個人よりも治療効果が高い理由を理解することが重要である。
予測と解釈というこの2つの課題に対処するために、決定木とランダム森林に基づくアルゴリズムを導入し、個々の治療効果を推定する。
我々のアルゴリズムは、標準的なランダム・フォレストのように動作するが、分割基準が異なるため、一般化ランダム・フォレストで使用される二重機械学習や直交化のような追加の回避策は不要である。
完全な正当性関数を別々に見積もることなく、様々な治療適合性を持つ観察的研究を扱う。
これは、治療効果のヘテロジニティを標的とする2つの分割基準と、平均治療効果をターゲットとする2つの偏差補正を組み合わせることで達成される。
その結果、木構造自体の解釈は、木を分割し、統計を分割する特徴を、別個のポストホック解析を必要とせずに直接従うことができる。
本アルゴリズムの理論的解析では、潜在的な結果と治療の妥当性を示すステップ関数を持つ変化点モデルを検討し、我々のアプローチの理論的基盤について考察する。
シミュレーション研究により、我々の単純なアルゴリズムは既存の手法と同等で、しばしばより良い予測精度を達成し、解釈可能性を大幅に改善することが示された。
関連論文リスト
- Learning heterogeneous treatment effects under principal stratification [4.965155763091777]
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。
論文 参考訳（メタデータ） (2026-06-27T20:27:17Z) - Causal Inference with Categorical Unobserved Confounder via Mixture Learning [20.542714966688656]
未保存の共同創設者が適切な条件下でカテゴリー化されている場合、因果効果が識別可能であることを示す。
本稿では, テンソル分解に基づく推定手法を提案する。
論文 参考訳（メタデータ） (2026-05-18T18:28:16Z) - Doubly Robust Proxy Causal Learning with Neural Mean Embeddings [58.8808794752741]
我々は、連続的かつ構造化された治療を用いて因果学習をプロキシするための、神経的に二重に頑健なフレームワークを開発する。
このフレームワークは、人口、不均一、条件付き線量応答関数をカバーし、完全な応答曲線推定器を生成する。
合成および画像評価ベンチマーク全体で、提案した推定器は既存のベースラインと単一ブリッジニューラル推定器より優れている。
論文 参考訳（メタデータ） (2026-05-10T12:50:25Z) - An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
DRQ-learnerと呼ばれる新しいメタラーナーを開発した。
DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
論文 参考訳（メタデータ） (2025-09-30T15:49:29Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - 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) - What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work? [1.1050303097572156]
両手法がL2損失下で同じパラメータと共起仮定で理解可能であることを示す。
ランダム化環境では、両方のアプローチはベンチマーク研究で新しいブレンドバージョンと同様に実行された。
論文 参考訳（メタデータ） (2022-06-21T12:45:07Z) - Generalized Causal Tree for Uplift Modeling [7.614863322262727]
昇降モデリングは、マーケティングやポリシー作成からパーソナライズされたレコメンデーションまで、様々なアプリケーションにおいて重要である。
主な目的は、異種集団に対する最適な治療割り当てを学習することである。
複数の離散的かつ連続的な処理に対処するためのツリーベースアプローチの一般化を提案する。
論文 参考訳（メタデータ） (2022-02-04T22:27:49Z) - Achieving Reliable Causal Inference with Data-Mined Variables: A Random
Forest Approach to the Measurement Error Problem [1.5749416770494704]
一般的な実証的戦略は、利用可能なデータから関心のある変数を'マイニング'する予測モデリング手法の適用を含む。
最近の研究は、機械学習モデルからの予測は必然的に不完全であるため、予測変数に基づく計量分析は測定誤差によるバイアスに悩まされる可能性が高いことを強調している。
ランダムフォレストと呼ばれるアンサンブル学習技術を用いて,これらのバイアスを軽減する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-12-19T21:48:23Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - 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。