文献

J-GLOBAL ID：201802261328931468   整理番号：18A1541367

GBM傾向スコア重み付け法の因果推定のための研究【JST・京大機械翻訳】

GBM Propensity Score Weighting for Causal Inference Research

著者 (6件)： Yang Wei (中国中医科学院中医臨床基礎医学研究所 北京100700;中央民族大学理学院 北京100081) ,  Tang Jinfa (河南中医薬大学第一附属医院 鄭州450000) ,  Yi Danhui (中国人民大学応用統計科学研究中心 北京100872) ,  Li Xuelin (河南中医薬大学第一附属医院 鄭州450000) ,  Wang Xiaoyan (河南中医薬大学第一附属医院 鄭州450000) ,  Zhou Xiaohua (北京大学北京国際数学研究中心 北京100871)
資料名： Shijie Kexue Jishu-Zhong Yiyao Xiandaihua  (Shijie Kexue Jishu-Zhong Yiyao Xiandaihua)
巻： 19  号： 9  ページ： 1462-1472  発行年： 2017年 
JST資料番号： C3606A  ISSN： 1674-3849  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 目的;観察研究または非ランダム化試験において、混合因子***の存在によって、研究者はデータから因果推定を行う能力が妨げられている。本研究では、GBMの傾向スコア加重法を用いて、一群の観察性医学データを分析し、関連医学人員が彼ら自身の因果的推定研究を指導する。方法:現在、四種類の主な傾向採点法:マッチング、階層、逆確率加重と混在変数調整は、すでに因果推定の研究に広く応用されている。傾向評価法は、観測可能な混雑要素の偏りを解消し、処理変数をランダム分配設計の効果に近づけることで、処理要素の結果の因果効果の推定の目的を達成することができる。結果;逆確率加重法が他の方法より優れていることを考慮して,本論文は,因果効果推定のための適用条件を要約した。特に、現代の多変量ノンパラメトリック統計技術-GeneralizedBoostedModels(GBM)の傾向スコア加重法の主要過程及び優劣を説明した。結論;大量の異なるタイプの交絡要素が存在し、それらは処理要素との線形、非線形あるいは相互作用効果などの関数形式が確定できない場合、その他の問題の時である。GBMの傾向スコア加重法は,傾向評価の過程中の障害を克服でき,そして,よりランダム化された因果効果に接近するのに,より近づき,そして,それは,より正確であった。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： マッチング ,  *重みづけ ,  クラスタ ,  ランダム化比較試験 ,  ノンパラメトリック法 ,  線形性
準シソーラス用語： 多変量 ,  評価法 ,  採点 ,  加重 ,  観察研究 ,  *傾向スコア , 【Automatic Indexing@JST】

著者キーワード (5件)： GBM ,  Propensity Score Weighting ,  Causal Inference ,  Observational Studies ,  Non-randomized Design

分類 (1件)： 確率論  (AB09000O)

タイトルに関連する用語 (4件)： 傾向スコア ,  重み付け ,  推定 ,  研究