論文の概要: Prediction-Powered Data Fusion for Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2610.12332v1
• Date: Thu, 08 Oct 2026 17:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.202056
• Title: Prediction-Powered Data Fusion for Treatment Effect Estimation
• Title（参考訳）: 処理効果推定のための予測駆動データ融合
• Abstract要約: CATE学習者のうち,DR-Fusion と R-Fusion の2つが閉形式重みと信頼区間を持つ ATE 推定器を構築し,実験結果の相関性について検討した。
• 参考スコア（独自算出の注目度）: 14.641704127737102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Randomized controlled trials (RCTs) identify treatment effects without confounding but are often small, whereas observational studies (OBS) are large but may be confounded. Many estimators combining a small RCT with a large OBS have been developed for the average treatment effect (ATE) and the conditional ATE (CATE). However, existing ATE estimators either make assumptions on the OBS or do not borrow enough power from them. The CATE has been studied less than the ATE. Existing CATE methods either assume the OBS are unconfounded, rely on a model of the confounding function, or accept bias in exchange for lower variance. We therefore propose a framework that, without special assumptions on the OBS, fuses the OBS and the RCT by preserving the unbiasedness of RCT-based estimation while borrowing power from the large OBS to boost precision. Applying this principle, we build an ATE estimator, AIPW-Fusion, with closed-form weights and confidence intervals, and two CATE learners, DR-Fusion and R-Fusion. Experiments corroborate our findings.
• Abstract（参考訳）: ランダム化制御試験 (RCTs) は治療効果を確認できないが、しばしば小さいが、観察研究 (OBS) は大きいが、確立される可能性がある。 平均処理効果 (ATE) と条件値 ATE (CATE) に対して, 小さい RCT と大きな OBS を組み合わせた多くの推定器を開発した。 しかし、既存のATE推定器はOBSに仮定するか、それらから十分な電力を借りない。 CATEはATEよりも研究が少ない。 既存のCATE法は、OBSが未確立であると仮定し、境界関数のモデルに依存するか、低い分散と引き換えにバイアスを受け入れるかのいずれかである。 そこで我々は,大規模なOBSから電力を借りて精度を高めるとともに,RCTに基づく推定の不偏性を保存することにより,OBSとRCTを融合させる枠組みを提案する。 この原理を適用して、我々は、閉じた重みと信頼区間を持つATE推定器であるAIPW-Fusionと、DR-FusionとR-Fusionの2つのCATE学習者を構築した。 実験は我々の発見を裏付ける。

関連論文リスト

• ProximalFM: Amortized Proximal Causal Inference under Hidden Confounding [4.8023316069859066]
  近因果推論では、プロキシ変数を使用して、隠れたコンバウンディングの下で効果を識別する。 構造因果モデルに適合する構造因果モデルから抽出した合成データに、オラクル対策品へのアクセスを学習する。 点推定を主眼とする先行文献と比較して,我々のモデルである ProximalFM は,条件平均処理効果(CATE)のベイズ後部分布を明示的にターゲットとしている。
  論文  参考訳（メタデータ） (2026-10-06T10:07:19Z)
• 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)
• Frequentist Consistency of Prior-Data Fitted Networks for Causal Inference [49.70323515651261]
  先行データ適合ネットワーク(PFN)に基づく基礎モデルは因果推論において強い経験的性能を示した。 PFNに基づく因果推定器が古典的頻繁な推定器と整合した不確実な定量化を提供するかどうかは不明である。
  論文  参考訳（メタデータ） (2026-03-12T15:14:35Z)
• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• Conditional Average Treatment Effect Estimation Under Hidden Confounders [25.62280114114055]
  擬似共同生成器とCATEモデルに基づくCATE推定手法を提案する。 我々の方法は、特にプライバシーが懸念される多くの実践的なシナリオに当てはまる。
  論文  参考訳（メタデータ） (2025-06-14T01:43:07Z)
• A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
  観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。 既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。 ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
  論文  参考訳（メタデータ） (2025-01-15T15:58:16Z)
• Adaptive-TMLE for the Average Treatment Effect based on Randomized Controlled Trial Augmented with Real-World Data [0.0]
  ランダム化制御試験(RCT)データと外部実世界のデータ(RWD)の両方が利用可能である場合、平均処理効果(ATE)を推定する問題を考察する。 適応型最大推定フレームワークを導入して推定する。
  論文  参考訳（メタデータ） (2024-05-12T07:10:26Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)

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。