論文の概要: Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond
- arxiv url: http://arxiv.org/abs/1912.12945v5
- Date: Wed, 17 Aug 2022 14:03:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 02:24:57.961607
- Title: Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond
- Title（参考訳）: 局所的偏心型機械学習:質的治療効果の効率的な推論とその先
- Authors: Nathan Kallus, Xiaojie Mao, Masatoshi Uehara
- Abstract要約: 因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
- 参考スコア（独自算出の注目度）: 69.83813153444115
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider estimating a low-dimensional parameter in an estimating equation
involving high-dimensional nuisances that depend on the parameter. A central
example is the efficient estimating equation for the (local) quantile treatment
effect ((L)QTE) in causal inference, which involves as a nuisance the
covariate-conditional cumulative distribution function evaluated at the
quantile to be estimated. Debiased machine learning (DML) is a data-splitting
approach to estimating high-dimensional nuisances using flexible machine
learning methods, but applying it to problems with parameter-dependent
nuisances is impractical. For (L)QTE, DML requires we learn the whole
covariate-conditional cumulative distribution function. We instead propose
localized debiased machine learning (LDML), which avoids this burdensome step
and needs only estimate nuisances at a single initial rough guess for the
parameter. For (L)QTE, LDML involves learning just two regression functions, a
standard task for machine learning methods. We prove that under lax rate
conditions our estimator has the same favorable asymptotic behavior as the
infeasible estimator that uses the unknown true nuisances. Thus, LDML notably
enables practically-feasible and theoretically-grounded efficient estimation of
important quantities in causal inference such as (L)QTEs when we must control
for many covariates and/or flexible relationships, as we demonstrate in
empirical studies.
- Abstract（参考訳）: パラメータに依存する高次元ニュアサンスを含む推定式における低次元パラメータの推定について検討する。
中心的な例として、因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定方程式があり、これは推定される量子化で評価される共変量-条件累積分布関数のニュアンスを含む。
Debiased Machine Learning (DML) は、フレキシブルな機械学習手法を用いて高次元ニュアンセを推定するデータ分割手法であるが、パラメータ依存ニュアンセの問題に適用することは現実的ではない。
L)QTEの場合、DMLは共変条件の累積分布関数全体を学ぶ必要がある。
代わりに、この負担のかかるステップを回避し、パラメータの1つの初期大まかな推測でのみニュアンセを推定するローカルデバイアスド機械学習(LDML)を提案する。
L)QTEでは、LDMLは2つの回帰関数のみを学習する。
ラクスレート条件下では,我々の推定器は未知の真のニュアンスを用いた非実用的推定器と同様の漸近的振舞いを示す。
このように、LDMLは、実証的な研究で示すように、多くの共変量および/または柔軟な関係を制御しなければならない場合、(L)QTEsのような因果推論における重要な量の実用的かつ理論的に効率的な推定を可能にする。
関連論文リスト
- Unveiling the Statistical Foundations of Chain-of-Thought Prompting Methods [59.779795063072655]
CoT(Chain-of-Thought)の促進とその変種は、多段階推論問題を解決する効果的な方法として人気を集めている。
統計的推定の観点からCoTのプロンプトを解析し,その複雑さを包括的に評価する。
論文 参考訳（メタデータ） (2024-08-25T04:07:18Z) - Measuring Variable Importance in Individual Treatment Effect Estimation with High Dimensional Data [35.104681814241104]
因果機械学習(ML)は、個々の治療効果を推定するための強力なツールを提供する。
ML手法は、医療応用にとって重要な解釈可能性の重要な課題に直面している。
統計的に厳密な変数重要度評価のための条件置換重要度(CPI)法に基づく新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-08-23T11:44:07Z) - Hyperparameter Tuning for Causal Inference with Double Machine Learning:
A Simulation Study [4.526082390949313]
機械学習手法の予測性能と結果の因果推定との関係を実証的に評価する。
我々は,2019 Atlantic Causal Inference Conference Data Challengeのデータを用いて,広範囲にわたるシミュレーション研究を行う。
論文 参考訳（メタデータ） (2024-02-07T09:01:51Z) - Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。
効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。
本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文 参考訳（メタデータ） (2024-01-18T08:12:23Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Hyperparameter Tuning and Model Evaluation in Causal Effect Estimation [2.7823528791601686]
本稿では,因果効果推定のためのモデル評価の4つの異なる側面間の相互作用について検討する。
ほとんどの因果推定器は、十分に調整された場合、ほぼ同等の性能であることがわかった。
我々は,現在,最先端の手順で提供されていない最適性能を解き放つために,因果モデル評価に関するさらなる研究を求めている。
論文 参考訳（メタデータ） (2023-03-02T17:03:02Z) - Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
異種治療効果を学習するための2段階損失関数を提案する。
提案手法は,市販の損失最小化機械学習手法により実装できる。
論文 参考訳（メタデータ） (2023-01-26T02:56:36Z) - Adaptive neighborhood Metric learning [184.95321334661898]
適応的近傍距離距離学習(ANML)という新しい距離距離距離距離距離距離学習アルゴリズムを提案する。
ANMLは線形埋め込みと深層埋め込みの両方を学ぶのに使うことができる。
本手法で提案するemphlog-exp平均関数は,深層学習手法をレビューするための新たな視点を与える。
論文 参考訳（メタデータ） (2022-01-20T17:26:37Z) - Nonparametric inverse probability weighted estimators based on the
highly adaptive lasso [0.966840768820136]
非パラメトリック逆確率重み付き推定器は非効率であり、次元性の呪いに苦しむことが知られている。
高度適応型ラッソのアンダースムーシングにより重み付け機構を推定する非パラメトリック逆確率重み付き推定器のクラスを提案する。
我々の開発は、大規模統計モデルと様々な問題設定における効率的な逆確率重み付き推定器の構築に幅広い意味を持つ。
論文 参考訳（メタデータ） (2020-05-22T17:49:46Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z)
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。