論文の概要: Deep Learning for Individual Heterogeneity: An Automatic Inference
Framework
- arxiv url: http://arxiv.org/abs/2010.14694v2
- Date: Fri, 23 Jul 2021 19:34:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 05:11:15.055711
- Title: Deep Learning for Individual Heterogeneity: An Automatic Inference
Framework
- Title（参考訳）: 個人不均一性のためのディープラーニング:自動推論フレームワーク
- Authors: Max H. Farrell and Tengyuan Liang and Sanjog Misra
- Abstract要約: 本研究では,機械学習を用いた推定と推定手法を開発し,経済モデルを強化する。
経済モデルの構造に合わせてネットワークアーキテクチャを設計する方法を示す。
我々は、新しい影響関数計算に基づいて推論を得る。
- 参考スコア（独自算出の注目度）: 2.6813717321945107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We develop methodology for estimation and inference using machine learning to
enrich economic models. Our framework takes a standard economic model and
recasts the parameters as fully flexible nonparametric functions, to capture
the rich heterogeneity based on potentially high dimensional or complex
observable characteristics. These "parameter functions" retain the
interpretability, economic meaning, and discipline of classical parameters.
Deep learning is particularly well-suited to structured modeling of
heterogeneity in economics. We show how to design the network architecture to
match the structure of the economic model, delivering novel methodology that
moves deep learning beyond prediction. We prove convergence rates for the
estimated parameter functions. These functions are the key inputs into the
finite-dimensional parameter of inferential interest. We obtain inference based
on a novel influence function calculation that covers any second-stage
parameter and any machine-learning-enriched model that uses a smooth
per-observation loss function. No additional derivations are required. The
score can be taken directly to data, using automatic differentiation if needed.
The researcher need only define the original model and define the parameter of
interest. A key insight is that we need not write down the influence function
in order to evaluate it on the data. Our framework gives new results for a host
of contexts, covering such diverse examples as price elasticities,
willingness-to-pay, and surplus measures in binary or multinomial choice
models, effects of continuous treatment variables, fractional outcome models,
count data, heterogeneous production functions, and more. We apply our
methodology to a large scale advertising experiment for short-term loans. We
show how economically meaningful estimates and inferences can be made that
would be unavailable without our results.
- Abstract（参考訳）: 我々は,機械学習を用いて経済モデルを強化する手法を開発した。
我々のフレームワークは標準的な経済モデルを採用し、パラメータを完全なフレキシブルな非パラメトリック関数として再キャストし、潜在的に高次元または複雑な可観測特性に基づいてリッチな不均一性を捉える。
これらの「パラメータ関数」は古典的パラメータの解釈可能性、経済的意味、規律を保持する。
ディープラーニングは、経済学における異質性の構造化モデリングに特に適しています。
本稿では,経済モデルの構造に合わせてネットワークアーキテクチャを設計し,予測を超えて深層学習を行う新しい手法を提案する。
推定パラメータ関数に対する収束率を示す。
これらの関数は、推論利子の有限次元パラメータへのキー入力である。
本研究では,第2段階パラメータをカバーする新しい影響関数計算と,可観測損失関数を滑らかに用いた機械学習エンリッチモデルに基づく推論を行う。
追加の派生は必要ない。
スコアは、必要に応じて自動微分を使用して、データに直接取得することができる。
研究者はオリジナルのモデルを定義し、関心のパラメータを定義する必要がある。
重要な洞察は、データ上でそれを評価するために影響関数を書き留める必要はないということです。
当社のフレームワークは,価格弾力性,支払意欲,二項選択モデルや多項選択モデルにおける余剰測度,連続処理変数の影響,分数結果モデル,データ数,異種生産関数など,さまざまな例をカバーした,コンテキストのホストに対して新たな結果を提供します。
本手法を短期融資のための大規模広告実験に適用する。
経済的な意味のある見積もりと推測が、結果なしでは利用できないことを示す。
関連論文リスト
- Statistical learning for constrained functional parameters in infinite-dimensional models with applications in fair machine learning [4.974815773537217]
統計的機能レンズによる制約付き統計機械学習の一般的な問題について検討する。
ラグランジュ乗算器の定式化によるペナル化リスク基準の最小化として,制約付き関数パラメータを特徴付ける。
この結果から,制約パラメータの自然推定を非制約パラメータの推定と組み合わせて構築できることが示唆された。
論文 参考訳（メタデータ） (2024-04-15T14:59:21Z) - On the Foundations of Shortcut Learning [20.53986437152018]
予測と可用性が形状モデルの特徴的利用とどのように相互作用するかを考察する。
線形モデルは比較的偏りがないが、ReLUやTanhの単位を持つ単一の隠蔽層を導入するとバイアスが生じる。
論文 参考訳（メタデータ） (2023-10-24T22:54:05Z) - Choice Models and Permutation Invariance: Demand Estimation in
Differentiated Products Markets [5.8429701619765755]
ニューラルネットのような非パラメトリック推定器は、選択関数を簡単に近似できることを示す。
提案する関数は、完全にデータ駆動方式で、消費者の振る舞いを柔軟に捉えることができる。
我々の経験的分析により、推定器は現実的かつ同等の自己およびクロスプライス弾性を生成することが確認された。
論文 参考訳（メタデータ） (2023-07-13T23:24:05Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳（メタデータ） (2023-06-07T21:35:26Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳（メタデータ） (2022-05-31T04:57:06Z) - A Free Lunch with Influence Functions? Improving Neural Network
Estimates with Concepts from Semiparametric Statistics [41.99023989695363]
ニューラルネットワークや機械学習アルゴリズムの改善に使用される半パラメトリック理論の可能性を探る。
本稿では,単一アーキテクチャを用いてアンサンブルの柔軟性と多様性を求めるニューラルネットワーク手法であるMultiNetを提案する。
論文 参考訳（メタデータ） (2022-02-18T09:35:51Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z) - Structural Regularization [0.0]
本稿では,統計モデルの正則化として経済理論に基づく構造モデルを用いて,データモデリングの新しい手法を提案する。
本手法は, 構造モデルと非構造正規化統計モデルの両方より優れていることを示す。
論文 参考訳（メタデータ） (2020-04-27T06:47:07Z)
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。