論文の概要: Assumption-lean inference for generalised linear model parameters
- arxiv url: http://arxiv.org/abs/2006.08402v1
- Date: Mon, 15 Jun 2020 13:49:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 04:54:40.059865
- Title: Assumption-lean inference for generalised linear model parameters
- Title（参考訳）: 一般化線形モデルパラメータの仮定-リーン推論
- Authors: Stijn Vansteelandt and Oliver Dukes
- Abstract要約: 主効果推定と効果修正推定の非パラメトリックな定義を提案する。
これらのモデルが正しく指定されたとき、一般化された線形モデルにおける標準の主効果と効果の修正パラメータに還元される。
これらの推定値に対する仮定リーン推論を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inference for the parameters indexing generalised linear models is routinely
based on the assumption that the model is correct and a priori specified. This
is unsatisfactory because the chosen model is usually the result of a
data-adaptive model selection process, which may induce excess uncertainty that
is not usually acknowledged. Moreover, the assumptions encoded in the chosen
model rarely represent some a priori known, ground truth, making standard
inferences prone to bias, but also failing to give a pure reflection of the
information that is contained in the data. Inspired by developments on
assumption-free inference for so-called projection parameters, we here propose
novel nonparametric definitions of main effect estimands and effect
modification estimands. These reduce to standard main effect and effect
modification parameters in generalised linear models when these models are
correctly specified, but have the advantage that they continue to capture
respectively the primary (conditional) association between two variables, or
the degree to which two variables interact (in a statistical sense) in their
effect on outcome, even when these models are misspecified. We achieve an
assumption-lean inference for these estimands (and thus for the underlying
regression parameters) by deriving their influence curve under the
nonparametric model and invoking flexible data-adaptive (e.g., machine
learning) procedures.
- Abstract（参考訳）: 一般化線形モデルを索引付けするパラメータの推論は、モデルが正しいという仮定と事前指定に基づいてルーチン的に行われる。
なぜなら、選択されたモデルは、通常認識されない過剰な不確実性を引き起こすデータ適応モデル選択プロセスの結果であるからである。
さらに、選択されたモデルに符号化された仮定は、既知の基底真理を表わすことが滅多になく、標準推論はバイアスに陥りやすいが、データに含まれる情報の純粋に反映することができない。
いわゆる射影パラメータの仮定自由推論の発展に触発されて、主効果推定と効果修正推定の新しい非パラメトリックな定義を提案する。
これらは、これらのモデルが正しく特定されたときの一般線形モデルにおける標準的な主効果と効果修正パラメータに還元されるが、それらがそれぞれ2つの変数の間の一次(条件付き)関連、あるいは2つの変数が結果に対する影響において(統計的意味で)相互作用する度合いを捉え続けるという利点がある。
非パラメトリックモデルの下でその影響曲線を導出し、柔軟なデータ適応(例えば機械学習)手順を呼び出すことで、これらの推定値(つまり、下層の回帰パラメータ)に対する仮定-リーン推論を実現する。
関連論文リスト
- Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。
しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。
本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
論文 参考訳（メタデータ） (2024-10-17T17:59:02Z) - Overparameterized Multiple Linear Regression as Hyper-Curve Fitting [0.0]
線形モデルは, モデル仮定に反する非線形依存が存在する場合でも, 正確な予測を生成することが証明された。
ハイパーカーブのアプローチは、予測変数のノイズに関する問題を正規化するのに特に適しており、モデルからノイズや「不適切な」予測子を取り除くのに使うことができる。
論文 参考訳（メタデータ） (2024-04-11T15:43:11Z) - Bayesian Inference for Consistent Predictions in Overparameterized Nonlinear Regression [0.0]
本研究では,ベイズフレームワークにおける過パラメータ化非線形回帰の予測特性について検討した。
リプシッツ連続活性化関数を持つ一般化線形および単一ニューロンモデルに対して後部収縮が成立する。
提案手法は数値シミュレーションと実データアプリケーションを用いて検証した。
論文 参考訳（メタデータ） (2024-04-06T04:22:48Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳（メタデータ） (2023-11-13T01:48:08Z) - Adaptive debiased machine learning using data-driven model selection
techniques [0.5735035463793007]
Adaptive Debiased Machine Learning (ADML)は、データ駆動型モデル選択と非バイアス型機械学習技術を組み合わせた非バイアス型フレームワークである。
ADMLはモデルの誤特定によるバイアスを回避し、パラメトリックモデルとセミモデルの制約から解放される。
適応的部分線形回帰モデルにおける平均処理効果を推定するためのADML推定器の幅広いクラスを提供する。
論文 参考訳（メタデータ） (2023-07-24T06:16:17Z) - The Interpolating Information Criterion for Overparameterized Models [49.283527214211446]
補間情報基準(Interpolating Information Criterion)は,モデル選択に事前選択を自然に取り入れたモデル品質の尺度であることを示す。
我々の新しい情報基準は、モデルの事前の誤特定、幾何学的およびスペクトル的特性を考慮に入れており、既知の経験的および理論的挙動と数値的に一致している。
論文 参考訳（メタデータ） (2023-07-15T12:09:54Z) - Performative Prediction with Bandit Feedback: Learning through Reparameterization [23.039885534575966]
行動予測は、データの分布自体がモデルの展開に応じて変化する社会予測を研究するためのフレームワークである。
本研究では,実行予測目標をデータ分散関数として再パラメータ化する再パラメータ化を開発する。
論文 参考訳（メタデータ） (2023-05-01T21:31:29Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian
Nonparametrics [85.31247588089686]
変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。
ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
論文 参考訳（メタデータ） (2021-07-08T03:40:18Z) - Partial Identifiability in Discrete Data With Measurement Error [16.421318211327314]
我々は、疑わしい前提の下で正確な識別を追求するよりも、妥当な仮定の下で境界を提示することが好ましいことを示す。
我々は線形プログラミング手法を用いて,実測誤差と実測誤差に対する鋭い境界を導出する。
論文 参考訳（メタデータ） (2020-12-23T02:11:08Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z)
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。