論文の概要: DR-Learners for Generalizing CATEs from a Randomized Controlled Trial
- arxiv url: http://arxiv.org/abs/2610.25405v1
- Date: Sun, 18 Oct 2026 17:03:30 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:29:19.990725
- Title: DR-Learners for Generalizing CATEs from a Randomized Controlled Trial
- Title（参考訳）: ランダム化制御試験からCATEを一般化するDR-Learner
- Abstract要約: 対象集団に対する条件平均治療効果を一般化するgDR-Learnerを開発した。
我々は、ニュアンス誤差が積としてのみ入ってくる過度リスク境界を導出し、推定器がオラクルレート収束を達成することを示す。
冠状動脈手術研究の再検討を行った。
- 参考スコア（独自算出の注目度）: 1.590516501958594
- License:
- Abstract: Randomized clinical trials are essential for evaluating interventions, yet average treatment effects can obscure treatment effect heterogeneity, making conditional average treatment effects (CATEs) a natural target. However, restrictive eligibility criteria and differential trial participation can limit the generalizability of these effects to broader target populations. Building on existing DR-Learners, we develop the gDR-Learner for generalizing RCT CATEs to a target population, using cross-fitted machine-learning nuisance estimation. We derive excess-risk bounds in which nuisance errors enter only as products, showing that the estimator achieves oracle-rate convergence despite slower individual nuisance estimation. The variables needed to generalize are rarely measured across the entire target population. We therefore extend the methods to two settings with incomplete covariate information: when certain covariates are measured only in the trial (e.g., biomarkers), and covariates driving trial participation measured only in a subsample of the target population, such as a representative cohort or registry. We construct weighted conformal prediction intervals for individual treatment effects, accounting for covariate shift between the trial and target population. In simulations, the gDR-Learner achieved the lowest estimation error when all covariates were observed relative to standard T- and DR-Learners and an inverse-probability-weighted T-Learner, and also outperformed the latter under incomplete covariate observation. We illustrate the methods by reanalyzing the Coronary Artery Surgery Study, examining treatment effect heterogeneity by prior myocardial infarction and baseline ejection fraction.
- Abstract（参考訳）: ランダム化臨床試験は介入を評価するのに不可欠であるが、平均治療効果は不均一な治療効果を生じさせ、条件付き平均治療効果(CATE)を自然な標的にすることができる。
しかしながら、制限的適格基準と差分トライアル参加は、これらの効果の一般化性をより広い対象人口に制限することができる。
既存の DR-Learner 上に構築した gDR-Learner を用いて RCT CATE を対象集団に一般化する。
誤差誤差が積としてのみ入ってくる過度リスク境界を導出し、個々のニュアンス推定が遅いにもかかわらず、推定器がオラクルレート収束を達成することを示す。
一般化に必要な変数は、ターゲットの全体にわたって測定されることはめったにない。
そこで我々は,不完全な共変量情報を持つ2つの設定に拡張する。例えば,特定の共変量が試験(例えばバイオマーカー)でのみ測定された場合と,代表コホートや登録簿などの対象集団のサブサンプルでのみ測定された共変量についてのみ測定された場合である。
個別治療効果に対する重み付き共形予測間隔を構築し, 対象集団間の共変量の変化を考慮に入れた。
シミュレーションにおいて、gDR-Learnerは、標準T-およびDR-Learnerと逆確率重み付きT-Learnerに対して全ての共変量が観測されたときの最小推定誤差を達成し、また、不完全共変量観測では後者を上回った。
冠状動脈手術研究の再検討を行い, 心筋梗塞前治療効果とベースライン放出率による不均一性について検討した。
関連論文リスト
- Orthogonal machine learning for conditional odds and risk ratios [0.0]
我々は既存の手法をレビューし、オッズ比(OR)とリスク比(RR)に着目して新しい手法を提案する。
ORとRRの直交リスク関数を導出し、関連する擬似アウトカムがATEの場合と類似した2次条件付き残余特性を満たすことを示す。
また, 条件付きATE, OR, RRの予測をモンテカルロシミュレーションの包括的非パラメトリックシミュレーションで評価し, 数百の異なるデータ生成分布下での一般的な選択肢と比較した。
論文 参考訳（メタデータ） (2026-04-12T02:14:58Z) - Orthogonal Learner for Estimating Heterogeneous Long-Term Treatment Effects [56.15663253912398]
HLTE推定のためのLT-O-learners(Long-Term Orthogonal Learningers)を提案する。
学習者は、短期ランダム化データセットと長期履歴データセットを組み合わせた標準HLTE設定のために設計されている。
学習者はニュアンス推定における誤りに対して頑健であることを示す。
論文 参考訳（メタデータ） (2026-04-01T13:56:19Z) - Robust estimation of heterogeneous treatment effects in randomized trials leveraging external data [4.777323087050061]
本研究では,条件付き平均治療効果(CATE)を推定するモデル非依存学習者QR-learnerを提案する。
これにより、トライアルのみのCATE学習者に対して平均2乗誤差を低減でき、外部データがトライアルに一致していない場合でも真のCATEを復元することが保証される。
論文 参考訳（メタデータ） (2025-07-04T16:01:05Z) - Accounting for Missing Covariates in Heterogeneous Treatment Estimation [17.09751619857397]
生態学的推論に基づく新しい部分的識別戦略を導入する。
私たちのフレームワークは、他の方法では不可能であるよりもずっと厳密な境界を生成できることを示します。
論文 参考訳（メタデータ） (2024-10-21T05:47:07Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。
本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。
シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - 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) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - Two-Stage TMLE to Reduce Bias and Improve Efficiency in Cluster
Randomized Trials [0.0]
クラスタランダム化トライアル(CRT)は、ランダムに個人グループへの介入を割り当て、それらのグループ内の個人に対する結果を測定する。
クラスタ内の一部の個人には発見が欠落することが多い。
CRTは、しばしば限られた数のクラスターをランダムにし、その結果、腕間のベースライン結果予測器に不均衡をもたらす。
論文 参考訳（メタデータ） (2021-06-29T21:47:30Z) - 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) - Survival Analysis Using a 5-Step Stratified Testing and Amalgamation
Routine in Randomized Clinical Trials [0.0]
患者の不均一性の増加は、治療の違いを検出する共通の統計的アプローチの能力を弱める可能性がある。
どちらの治療でも生存を予測できない可能性を持つ塩基性共変体のリストは、事前に特定されている。
条件推論木アルゴリズムを用いて、異種臨床試験集団を予後同種患者のサブ集団に分割する。
提案した5段階の階層化テストとアマルガメーションルーチン(5-STAR)の高消費電力化性能について述べる。
論文 参考訳（メタデータ） (2020-04-28T15:44:41Z)
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。