論文の概要: Sufficient Dimension Reduction for Average Causal Effect Estimation

• arxiv url: http://arxiv.org/abs/2009.06444v1
• Date: Mon, 14 Sep 2020 13:58:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 12:51:08.381949
• Title: Sufficient Dimension Reduction for Average Causal Effect Estimation
• Title（参考訳）: 平均因果効果推定のための十分次元削減
• Authors: Debo Cheng, Jiuyong Li, Lin Liu, Jixue Liu
• Abstract要約: 多数の共変量を持つことは因果効果推定の品質に悪影響を及ぼす可能性がある。 教師付きカーネル次元削減法を用いて低次元表現を探索するアルゴリズムを開発した。 提案アルゴリズムは,2つの半合成および3つの実世界のデータセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 21.029760577643554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Having a large number of covariates can have a negative impact on the quality of causal effect estimation since confounding adjustment becomes unreliable when the number of covariates is large relative to the samples available. Propensity score is a common way to deal with a large covariate set, but the accuracy of propensity score estimation (normally done by logistic regression) is also challenged by large number of covariates. In this paper, we prove that a large covariate set can be reduced to a lower dimensional representation which captures the complete information for adjustment in causal effect estimation. The theoretical result enables effective data-driven algorithms for causal effect estimation. We develop an algorithm which employs a supervised kernel dimension reduction method to search for a lower dimensional representation for the original covariates, and then utilizes nearest neighbor matching in the reduced covariate space to impute the counterfactual outcomes to avoid large-sized covariate set problem. The proposed algorithm is evaluated on two semi-synthetic and three real-world datasets and the results have demonstrated the effectiveness of the algorithm.
• Abstract（参考訳）: 多数の共変量を持つことは、共変量数がサンプルと比較して大きい場合、共変量調整が信頼できないため、因果効果推定の品質に悪影響を及ぼす可能性がある。 プロペンシティスコアは大きな共変量集合を扱う一般的な方法であるが、プロペンシティスコア推定の精度(通常ロジスティック回帰によって行われる)は多数の共変量にも挑戦される。 本稿では,大小共変量集合を,因果効果推定における調整のための完全な情報をキャプチャする低次元表現に還元できることを実証する。 理論的結果は、因果効果推定に有効なデータ駆動アルゴリズムを可能にする。 本研究では,教師付きカーネル次元低減法を用いて原共変数の低次元表現を探索し,その最小共変数空間における最近傍マッチングを活用し,反事実結果から大規模共変数集合問題を回避するアルゴリズムを開発した。 提案アルゴリズムは,2つの半合成および3つの実世界のデータセットを用いて評価し,提案アルゴリズムの有効性を実証した。

関連論文リスト

• Probably approximately correct high-dimensional causal effect estimation given a valid adjustment set [17.10548702837952]
  ランダム化実験がない場合、因果効果を推定するための一般的なアプローチは、テクスタイト共変量調整を用いる。 我々は不特定誤差境界と制約に基づくアルゴリズムを提供し、より小さな調整セットに$eps$-Markovブランケットを超えることができる。 以上の結果から,因果関係の正確な推定を行うためには,因果関係の完全復元は不要であることが示唆された。
  論文  参考訳（メタデータ） (2024-11-12T19:37:13Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Gaining Outlier Resistance with Progressive Quantiles: Fast Algorithms and Theoretical Studies [1.6457778420360534]
  任意の損失関数を強固化するために, 外部抵抗推定の枠組みを導入する。 通常のデータセットでは、データ再見積の回数を大幅に削減できるような、開始点の要件を緩和する新しい手法が提案されている。 得られた推定器は、必ずしも大域的でも大域的でもなくても、両方の低次元において最適性を楽しむことができる。
  論文  参考訳（メタデータ） (2021-12-15T20:35:21Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• 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)
• Robust regression with covariate filtering: Heavy tails and adversarial contamination [6.939768185086755]
  より強い汚染モデルにおいて,ハマー回帰,最小トリミング正方形,最小絶対偏差推定器を同時に計算および統計的に効率的に推定する方法を示す。 この設定では、ハマー回帰推定器がほぼ最適誤差率を達成するのに対し、最小のトリミング正方形と最小の絶対偏差推定器は、後処理ステップを適用した後、ほぼ最適誤差を達成することができる。
  論文  参考訳（メタデータ） (2020-09-27T22:48:48Z)
• Bayesian Optimization with Output-Weighted Optimal Sampling [0.0]
  我々は、探索アルゴリズムを最小化すべき目的関数が異常に小さい値を仮定する入力空間の領域へ誘導する可能性比の利用を提唱する。 この研究で導入された "likelihood-weighted" 取得関数は、多くのアプリケーションにおいて、その非重みのないものよりも優れていることが判明した。
  論文  参考訳（メタデータ） (2020-04-22T14:38:39Z)

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。