論文の概要: Selective inference for pruned interaction trees with known unequal variances in randomized trials

• arxiv url: http://arxiv.org/abs/2611.01134v1
• Date: Sat, 31 Oct 2026 17:23:05 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:00:36.646977
• Title: Selective inference for pruned interaction trees with known unequal variances in randomized trials
• Title（参考訳）: ランダム化試行における既知の不等分散をもつ刈り取られた相互作用木の選択的推論
• Abstract要約: 一般化最小二乗相互作用木に対する選択的推論法の開発 フルデータ学習は、いくつかの小さなサンプル設定で参照分割リカバリを改善する。 分散比を固定した共通スケールを推定すると、選択的カバレッジのモデストな変化が生じる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Interaction trees reuse outcomes to discover treatment-effect heterogeneity, complicating inference after growth and pruning. We develop selective inference for generalized least-squares (GLS) interaction trees with a common covariate basis and known unequal variances. Under a conditional Gaussian model with positive diagonal covariance, weighted orthogonality reduces survival under additive fixed-penalty pruning to one quadratic inequality supplementing the growth event. This yields exact finite-sample conditional tests and confidence intervals, with retained-path and complete-tree inference agreeing on compatible sections. Under causal identification and a correct reference prognosis, the pruning-invariant GLS target is a signed finite-design weighted contrast of conditional average treatment effects. Simulations at $n=100,200,400,800$ and maximum depths one to three search all adjacent-observation midpoints, support calibration and demonstrate over-rejection when pruning survival is omitted. Compared with a 50:50 honest procedure, full-data learning improves reference-split recovery in some small-sample settings. Root-level median intervals can be shorter, while deep-node intervals and upper tails can be much wider; these comparisons concern each procedure's selected targets. Estimating a common scale with the variance ratio fixed produces modest changes in Selective coverage in the settings examined, without extending the exact guarantee. An exploratory ACTG 175 analysis provides a working-model illustration with estimated arm variances.
• Abstract（参考訳）: 相互作用木は、成長と刈り取り後の推論を複雑にし、治療効果の不均一性を発見するために結果を再利用する。 一般化最小二乗相互作用木(GLS)の共通共変基底と既知の不等分散に対する選択的推論を開発する。 正の対角共分散を持つ条件付きガウスモデルの下では、重み付き直交性は成長事象を補う2次不等式に加法的不等式を打つことにより生存を減少させる。 これにより、完全有限サンプル条件テストと信頼区間が得られ、維持パスと完全ツリー推論は互換性のある区間で一致する。 因果同定と正しい基準予後の下では、プルーニング不変GLSターゲットは条件平均処理効果の有限設計重み付きコントラストである。 n=100,200,400,800$のシミュレーションと最大深度は、隣り合う観測中間点を1対3で探索し、キャリブレーションをサポートし、プルーニングサバイバルが省略されたときにオーバーリジェクションを示す。 50:50の正直な手順と比較して、フルデータ学習は、いくつかの小さなサンプル設定で参照分割リカバリを改善する。 ルートレベル中央間隔は短くなり、深いノード間隔と上部テールはより広くなりうる。 共分散比を固定した共分散スケールを推定すると、厳密な保証を延長することなく、検証した設定における選択カバレッジの質素な変化が生じる。 ACTG 175の探索的な分析により、腕の分散が推定される作業モデル図が提供される。

関連論文リスト

• Random Jump Forests [0.0]
  ランダムジャンプ林は条件付き累積遷移率と職業確率を推定するための非パラメトリックツールとして導入されている。 RパッケージJumpForestsには,予測評価や変数重要度などの手法が実装されている。
  論文  参考訳（メタデータ） (2026-10-23T11:15:43Z)
• Bayesian Propensity Score Predictive Inference for Extending Trial Findings to Target Populations [0.2446672595462589]
  CODIACS Vanguardランダム化試験は、うつ病治療の介入と、急性冠症候群後の持続的なうつ症状の患者に対する通常のケアを比較した。 米国全電子健康記録から構築した2つのコホートで表される広範な患者集団にその所見を拡張できるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-10-22T21:08:45Z)
• Small area learning [0.815557531820863]
  小さい領域推定(SAE)は、伝統的に特定の作業モデルを通じて、ドメイン間での強度を借りる。 本研究では,SAEを多目的半教師付き学習問題として定式化する学習者に依存しないフレームワークを提案する。 低複雑さで柔軟な学習者のための標準およびクロスフィットな推定器を開発した。
  論文  参考訳（メタデータ） (2026-10-11T22:21:41Z)
• Significance-First Splitting: Aligning Treatment Heterogeneity Detection with Honest Estimation [0.0]
  不均一処理効果(CATE)を推定するには、同時に効果の修正を検出し、推定の不確実性を定量化する必要がある。 意味に基づくアプローチは、グループ間の相互作用を直接識別するが、妥当な推論を欠いている。 本稿では,真正なサンプル分割とクロスバリデーションで意味に基づく分割を融合するハイブリッドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-07-04T19:50:35Z)
• DARTS: Targeting Prognostic Covariates in Budget-Constrained Sequential Experiments [47.61857875238484]
  我々はトンプソンサンプリング(DARTS)による動的適応的ランダム化を導入する。 DARTSは、共変量取得を設計に基づく因果推論タスクに埋め込まれた逐次最適化問題として扱う。 我々は,最小限の値と対数的因子とを一致させる獲得層に対してベイズリスクを導出する。
  論文  参考訳（メタデータ） (2026-05-07T17:27:51Z)
• Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions [0.0]
  ゲノミクスの実験では、交換可能性はしばしば、対象変数を「影響を受けない」ままにしておく介入のサブセットにのみ保持される。 i)「影響のない」キャリブレーション例の誤分類が、明示的な関数$g(,n)$の汚染分数とキャリブレーションセットサイズを介してどのようにカバレッジを劣化させるか、および (ii) 2つの後続指標$Z_a,i=mathbf1iinmathrmdesc(a)$のみを推定するタスク駆動部分因果学習の定式化。
  論文  参考訳（メタデータ） (2026-03-02T18:58:22Z)
• Partition Trees: Conditional Density Estimation over General Outcome Spaces [46.1988967916659]
  一般結果空間上での条件密度推定のための木に基づくフレームワークである分割木を提案する。 本手法は,データ適応分割における条件分布を一括一貫した密度としてモデル化し,条件付き負の対数関係を直接最小化して木を学習する。
  論文  参考訳（メタデータ） (2026-02-03T22:12:30Z)
• Unity Forests: Improving Interaction Modelling and Interpretability in Random Forests [45.88028371034407]
  ランダム・フォレスト(RF)は、予測と変動重要度分析に広く利用されている。 UFOでは、各木の最初のいくつかの分割を共同で最適化する。 UFOは標準的なRFよりも高い識別精度と予測精度を達成した。
  論文  参考訳（メタデータ） (2026-01-11T17:36:58Z)
• The Lie of the Average: How Class Incremental Learning Evaluation Deceives You? [48.83567710215299]
  クラスインクリメンタルラーニング(CIL)では、モデルが学習済みのクラスを忘れずに、新しいクラスを継続的に学習する必要がある。 我々は、ロバストなCIL評価プロトコルは、性能分布全体を正確に特徴付け、推定するべきであると論じる。 我々は,タスク間類似度を用いて,極端なクラスシーケンスを適応的に識別し,サンプリングする評価プロトコルEDGEを提案する。
  論文  参考訳（メタデータ） (2025-09-26T17:00:15Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Ensembled Prediction Intervals for Causal Outcomes Under Hidden Confounding [49.1865229301561]
  本稿では,既存の因果感受性モデルを用いた部分同定手法を提案し,Caus-Modensがより厳密な結果区間を与えることを示す。 3つの異なるベンチマークのうち最後のものは、未知だが探究可能な基底真理を持つ観測実験にGPT-4を新たに使用することである。
  論文  参考訳（メタデータ） (2023-06-15T21:42:40Z)

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。