Zobrazeno 1 - 10
of 28
pro vyhledávání: '"individualized treatment effects"'
Autor:
Florie Bouvier, Anna Chaimani, Etienne Peyrot, François Gueyffier, Guillaume Grenet, Raphaël Porcher
Publikováno v:
BMC Medical Research Methodology, Vol 24, Iss 1, Pp 1-15 (2024)
Abstract Background One key aspect of personalized medicine is to identify individuals who benefit from an intervention. Some approaches have been developed to estimate individualized treatment effects (ITE) with a single randomized control trial (RC
Externí odkaz:
https://doaj.org/article/84138b58838a4f71989c3d8928452eed
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Entropy, Vol 24, Iss 8, p 1039 (2022)
There is great demand for inferring causal effect heterogeneity and for open-source statistical software, which is readily available for practitioners. The mcf package is an open-source Python package that implements Modified Causal Forest (mcf), a c
Externí odkaz:
https://doaj.org/article/b013d187833d4be08c26fdc33e317ed6
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Brion Bouvier, Florie, Chaimani, Anna, Gueyffier, François, Grenet, Guillaume, Porcher, Raphaël
Different approaches can be used to estimate individualized treatment effects with Individual Participant Data Meta-Analyses (IPD-MA). We compared four one-stage models: random effects (RE), stratified intercept (SI), rank-1 (R1) and fully stratified
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od_______165::0ac097e41479b5359869c006dd806b09
https://hal.science/hal-03735613/document
https://hal.science/hal-03735613/document
Publikováno v:
Proceedings of Machine Learning Research, 158
Proceedings of Machine Learning for Health
Proceedings of Machine Learning for Health
Estimating individualized treatment effects (ITEs) from observational data is crucial for decision-making. In order to obtain unbiased ITE estimates, a common assumption is that all confounders are observed. However, in practice, it is unlikely that
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::d15e816fd12d3cd7f7c23ac863fa685f
http://arxiv.org/abs/2112.03013
http://arxiv.org/abs/2112.03013
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
What Is the Value Added by Using Causal Machine Learning Methods in a Welfare Experiment Evaluation?
Autor:
Strittmatter, Anthony
I investigate causal machine learning (CML) methods to estimate effect heterogeneity by means of conditional average treatment effects (CATEs). In particular, I study whether the estimated effect heterogeneity can provide evidence for the theoretical
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::431d087bd607eb17c930b415125c27e0
http://arxiv.org/abs/1812.06533
http://arxiv.org/abs/1812.06533
We systematically investigate the effect heterogeneity of job search programmes for unemployed workers. To investigate possibly heterogeneous employment effects, we combine non-experimental causal empirical models with Lasso-type estimators. The empi
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______1687::e2d3c3cc609a88d79d0d030a015b57e9
https://hdl.handle.net/10419/170945
https://hdl.handle.net/10419/170945