論文の概要: A Bayesian machine learning approach to direct and spillover effects in cluster-randomized trials with noncompliance
- arxiv url: http://arxiv.org/abs/2610.27425v1
- Date: Tue, 20 Oct 2026 00:20:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.558424
- Title: A Bayesian machine learning approach to direct and spillover effects in cluster-randomized trials with noncompliance
- Title（参考訳）: 非準拠クラスタランダム化試験における直接的および脱落効果に対するベイズ機械学習アプローチ
- Abstract要約: 本研究では,クラスタランダム化試験における直接的および脱落効果を非コンプライアンスで推定する機械学習手法を開発した。
提案手法は,非適合性の存在下での直接および余剰効果の分解の柔軟なベイズ推定を提供する。
- 参考スコア（独自算出の注目度）: 4.04401169071427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop a Bayesian machine learning approach for estimating direct and spillover effects in cluster-randomized trials with treatment noncompliance. To flexibly model outcomes and treatment receipt while accounting for within-cluster dependence, we combine Bayesian additive regression trees with cluster-level random effects. We augment the outcome regression with a peer-treatment clever covariate, defined as the predicted mean proportion of treated peers from a preliminary receipt model, to mitigate regularization-induced distortion of the effect decomposition. Within a Bayesian g-computation framework, we estimate cluster-average intent-to-treat effects and cluster-average local average treatment effects and examine sensitivity to the cross-world restrictions underlying their decomposition. Simulation studies show reduced bias under model misspecification, while the correctly specified parametric models show expected frequentist properties. We find that the clever covariate improves the decomposition of the total effect into direct and spillover components under moderate or strong spillover, with similar gains in smaller clusters. Its benefits vary with spillover strength, and the $95\%$ credible intervals remain conservative. An application to the Primary School Deworming Project in Kenya suggests reduced infection risk, with a larger estimated contribution from individual treatment receipt than from peer receipt. Overall, our approach provides a flexible Bayesian estimation of direct and spillover effect decomposition in the presence of treatment noncompliance.
- Abstract（参考訳）: 我々は,クラスタランダム化試験における直接的および余剰効果を非コンプライアンスで推定するためのベイズ機械学習アプローチを開発した。
クラスタ内依存を考慮した結果と治療レシートを柔軟にモデル化するために,ベイズ加法回帰木とクラスタレベルのランダム効果を組み合わせた。
予備レセプションモデルから被処理者の予測平均比率として定義されるピア処理巧妙な共変量を用いて結果の回帰を増大させ, 効果分解の正規化による歪みを軽減する。
ベイズ計算フレームワーク内では,クラスタ平均処理効果とクラスタ平均処理効果を推定し,それらの分解の根底にあるクロスワールド制約に対する感度について検討する。
シミュレーション研究は、モデル不特定の下でバイアスを減少させる一方、正確に指定されたパラメトリックモデルは、期待される頻繁な特性を示す。
その結果, より巧妙な共変量により, より小さなクラスタでも同様の効果が得られ, 直接的, あるいは強いスルーオーバー成分への分解が促進されることがわかった。
その利点は流出強度によって異なり、9,5\%の信頼区間は保守的のままである。
ケニアの小学校デワーム計画への申請は感染リスクの低減を示唆している。
全体として,本手法は,非適合性の存在下での直接および余剰効果の分解の柔軟なベイズ推定を提供する。
関連論文リスト
- Calibrated Bayesian Inference for Stochastic Intervention Effects [0.0]
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。
論文 参考訳（メタデータ） (2026-08-03T22:20:40Z) - 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) - Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Beyond the Average: Distributional Causal Inference under Imperfect Compliance [8.76134221825298]
不完全なコンプライアンスを伴うランダム化実験における分布的処理効果の推定について検討した。
我々は,Neyman-orthogonal モーメント条件を持つ分布回帰フレームワークに基づく回帰調整型推定器を提案する。
オレゴン健康保険実験への適用事例として,本手法の実践的妥当性を示す。
論文 参考訳（メタデータ） (2025-09-19T04:53:42Z) - 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) - 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) - 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。