論文の概要: Sense and Sensitivity Analysis: Simple Post-Hoc Analysis of Bias Due to Unobserved Confounding

• arxiv url: http://arxiv.org/abs/2003.01747v2
• Date: Wed, 9 Dec 2020 01:11:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 22:35:55.960929
• Title: Sense and Sensitivity Analysis: Simple Post-Hoc Analysis of Bias Due to Unobserved Confounding
• Title（参考訳）: 感覚と感性分析: 観察不能なコンバウンディングによるバイアスの簡易ポストホック分析
• Authors: Victor Veitch and Anisha Zaveri
• Abstract要約: 本研究では,未観測のコンファウンディングによって誘発される潜在的なバイアスを支援するための感度解析ツールであるEmphAusten plotsを開発した。 対象バイアスレベルに対して、オーステンプロットは、そのバイアスレベルを誘導するために必要な治療の最小値と結果の影響を示す。
• 参考スコア（独自算出の注目度）: 16.017371251994373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is a truth universally acknowledged that an observed association without known mechanism must be in want of a causal estimate. However, causal estimation from observational data often relies on the (untestable) assumption of `no unobserved confounding'. Violations of this assumption can induce bias in effect estimates. In principle, such bias could invalidate or reverse the conclusions of a study. However, in some cases, we might hope that the influence of unobserved confounders is weak relative to a `large' estimated effect, so the qualitative conclusions are robust to bias from unobserved confounding. The purpose of this paper is to develop \emph{Austen plots}, a sensitivity analysis tool to aid such judgments by making it easier to reason about potential bias induced by unobserved confounding. We formalize confounding strength in terms of how strongly the confounder influences treatment assignment and outcome. For a target level of bias, an Austen plot shows the minimum values of treatment and outcome influence required to induce that level of bias. Domain experts can then make subjective judgments about whether such strong confounders are plausible. To aid this judgment, the Austen plot additionally displays the estimated influence strength of (groups of) the observed covariates. Austen plots generalize the classic sensitivity analysis approach of Imbens [Imb03]. Critically, Austen plots allow any approach for modeling the observed data and producing the initial estimate. We illustrate the tool by assessing biases for several real causal inference problems, using a variety of machine learning approaches for the initial data analysis. Code is available at https://github.com/anishazaveri/austen_plots
• Abstract（参考訳）: 既知のメカニズムを持たない観測された関連が因果推定を望まなければならないことは、普遍的に認識されている真実である。 しかし、観測データからの因果推定は、しばしば'noobserved confounding'の(検証不能な)仮定に依存する。 この仮定の違反は効果推定のバイアスを引き起こす。 原則として、そのようなバイアスは研究の結論を無効にしたり、覆したりすることができる。 しかし、いくつかのケースでは、観測されていない共同設立者の影響が「大きな」推定効果に対して弱いことを願っているため、定性的な結論は観測されていない共同設立者からの偏見に頑健である。 本研究の目的は,非オブザーブド結合によって引き起こされる潜在的なバイアスを判断しやすくし,そのような判断を支援する感度分析ツールである \emph{austen plots} を開発することである。 我々は、共同創設者が治療の課題や成果にどれほど強く影響するかという点で、確固たる強みを定式化する。 対象バイアスレベルに対して、オーステンプロットは、そのバイアスレベルを誘導するために必要な治療の最小値と結果の影響を示す。 ドメインの専門家は、そのような強力な共同創設者が妥当かどうかを主観的に判断することができる。 この判断を助けるために、オーステンプロットは観測された共変量の(グループの)影響強度を推定する。 オーステンプロットはイムベンスの古典感度解析アプローチを一般化する[Imb03]。 批判的に、オーステンプロットは観測されたデータをモデル化し、最初の見積もりを生成するあらゆるアプローチを可能にする。 本稿では,いくつかの因果推論問題に対するバイアスを,初期データ解析にさまざまな機械学習アプローチを用いて評価する。 コードはhttps://github.com/anishazaveri/austen_plotsで入手できる。

関連論文リスト

• Trust Your Gut: Comparing Human and Machine Inference from Noisy Visualizations [7.305342793164905]
  人間の直観が理想的な統計的合理性を超えたシナリオを考察する。 その結果,合理性から外れた場合でも,可視化に対するアナリストの反応が有利である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-23T22:39:57Z)
• Take its Essence, Discard its Dross! Debiasing for Toxic Language Detection via Counterfactual Causal Effect [23.628565620485364]
  有害言語検出(TLD)における語彙バイアスを軽減するために, CCDF(Counterfactal Causal Debiasing Framework)を提案する。 CCDFは語彙バイアスの「無駄な影響」を保ち、「誤解を招く影響」を排除している
  論文  参考訳（メタデータ） (2024-06-03T04:34:30Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Offline Recommender System Evaluation under Unobserved Confounding [5.4208903577329375]
  オフライン推定手法により,ログデータから意思決定ポリシーを学習し,評価することができる。 この仕事を行う重要な前提は、観測されていない共同設立者がいないことである。 この研究は、保守されていない共同ファウンダーの存在下で、政治外の見積もりを行うときに生じる問題を強調することを目的としている。
  論文  参考訳（メタデータ） (2023-09-08T09:11:26Z)
• Counterfactual Reasoning for Out-of-distribution Multimodal Sentiment Analysis [56.84237932819403]
  本稿では,OODの高次一般化に対するテキストモダリティの悪影響を推定・緩和することを目的とする。 そこで本研究では,マルチモーダル感情分析のためのモデルに依存しない反現実的フレームワークを考案した。
  論文  参考訳（メタデータ） (2022-07-24T03:57:40Z)
• Unsupervised Learning of Unbiased Visual Representations [10.871587311621974]
  ディープニューラルネットワークは、データセットにバイアスが存在するときに堅牢な表現を学習できないことで知られている。 我々は3つのステップからなる完全に教師なしの脱バイアスフレームワークを提案する。 我々は、非バイアスモデルを得るために最先端の教師付き脱バイアス技術を採用している。
  論文  参考訳（メタデータ） (2022-04-26T10:51:50Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• 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)
• Correct block-design experiments mitigate temporal correlation bias in EEG classification [68.85562949901077]
  [1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。 脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:25:21Z)

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。