論文の概要: On Model Identification and Out-of-Sample Prediction of Principal
Component Regression: Applications to Synthetic Controls
- arxiv url: http://arxiv.org/abs/2010.14449v4
- Date: Thu, 4 Aug 2022 19:57:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 11:50:27.787491
- Title: On Model Identification and Out-of-Sample Prediction of Principal
Component Regression: Applications to Synthetic Controls
- Title(参考訳): 主成分回帰のモデル同定とアウト・オブ・サンプル予測:合成制御への応用
- Authors: Anish Agarwal, Devavrat Shah, Dennis Shen
- Abstract要約: 固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。
我々は、最もよく知られたレートで改善される非漸近的なアウト・オブ・サンプル予測の保証を確立する。
- 参考スコア(独自算出の注目度): 22.645559340809406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We analyze principal component regression (PCR) in a high-dimensional
error-in-variables setting with fixed design. Under suitable conditions, we
show that PCR consistently identifies the unique model with minimum
$\ell_2$-norm and is near minimax optimal. These results enable us to establish
non-asymptotic out-of-sample prediction guarantees that improve upon the best
known rates. In our analysis, we introduce a natural linear algebraic condition
between the in- and out-of-sample covariates, which allows us to avoid
distributional assumptions. Our simulations illustrate the importance of this
condition for generalization, even under covariate shifts. As a byproduct, our
results also lead to novel results for the synthetic controls literature, a
leading approach for policy evaluation. In particular, our minimax results
suggest the attractiveness of PCR based methods amongst the numerous variants.
To the best of our knowledge, our prediction guarantees for the fixed design
setting have been elusive in both the high-dimensional error-in-variables and
synthetic controls literatures.
- Abstract(参考訳): 固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。
適切な条件下では、PCR は最小$$\ell_2$-norm で一貫した一意的なモデルを同定し、最小値が極小に近いことを示す。
これらの結果により,非漸近的なサンプル外予測の確立が可能となり,既知の精度が向上した。
本解析では, 分布的仮定を回避するために, 試料内および試料外共変量間の自然線形代数条件を導入する。
我々のシミュレーションは、共変量シフトの下でも、一般化におけるこの条件の重要性を示している。
また, 副産物として, 政策評価の先駆的アプローチである合成制御文学の新たな結果も得られた。
特に,本研究のミニマックス実験の結果から,PCR法が多種多様であったことが示唆された。
我々の知る限り、固定設計設定の予測は、高次元誤差変数と合成制御文献の両方において解明されている。
関連論文リスト
- Prognostic Covariate Adjustment for Logistic Regression in Randomized
Controlled Trials [1.5020330976600735]
本研究では, 確率的スコア調整により, 条件付オッズ比のウォルド試験のパワーを一定のサンプルサイズで向上させることができることを示す。
我々はg-computationを用いて、確率的スコア調整の範囲を、限界リスク差、相対リスク、確率比推定に基づいて拡張する。
論文 参考訳(メタデータ) (2024-02-29T06:53:16Z) - High Precision Causal Model Evaluation with Conditional Randomization [10.23470075454725]
因果誤差を推定するための新しい低分散推定器(ペア推定器)を提案する。
モデルと真の実験効果の両方に同じIPW推定器を適用することにより、IPWによる分散を効果的にキャンセルし、より小さな分散を実現する。
提案手法は,IPW推定器自体の複雑な変更を伴わずに,条件付きランダム化設定における因果推論モデルを評価するための,単純かつ強力な解を提供する。
論文 参考訳(メタデータ) (2023-11-03T13:22:27Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Quantifying predictive uncertainty of aphasia severity in stroke
patients with sparse heteroscedastic Bayesian high-dimensional regression [49.504432873468254]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳(メタデータ) (2023-09-15T22:06:29Z) - Spectrum-Aware Adjustment: A New Debiasing Framework with Applications
to Principal Component Regression [1.5863809575305419]
我々は高次元線形回帰のための新しいデバイアス化フレームワークを導入する。
特徴量とサンプルの数が大小を問わず比較できるような,一般的な設定について検討する。
本手法は,自由度デバイアスをマージンで上回ることを示す。
論文 参考訳(メタデータ) (2023-09-14T15:58:30Z) - Conformalized Unconditional Quantile Regression [27.528258690139793]
コンフォメーション予測と非条件量子回帰を組み合わせた予測推論手法を開発した。
提案手法は不整合性に適応し,テストインスタンスに関連する透過的なカバレッジ保証を提供し,既存の手法と効率的に競合することを示す。
論文 参考訳(メタデータ) (2023-04-04T00:20:26Z) - Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。
効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
論文 参考訳(メタデータ) (2022-06-14T03:58:03Z) - Mitigating multiple descents: A model-agnostic framework for risk
monotonization [84.6382406922369]
クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。
本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
論文 参考訳(メタデータ) (2022-05-25T17:41:40Z) - On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。
本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。
理論的にも経験的にも二重降下現象を観察する。
論文 参考訳(メタデータ) (2021-10-13T17:47:39Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z) - Imputation for High-Dimensional Linear Regression [8.841513006680886]
LASSOは乱数設定において最小推定率を保持することを示す。
この設定では、共同根源は未成年のままである。
論文 参考訳(メタデータ) (2020-01-24T19:54:09Z)
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。