論文の概要: Mostly Harmless Machine Learning: Learning Optimal Instruments in Linear IV Models

• arxiv url: http://arxiv.org/abs/2011.06158v3
• Date: Fri, 18 Jun 2021 18:26:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 07:51:30.558567
• Title: Mostly Harmless Machine Learning: Learning Optimal Instruments in Linear IV Models
• Title（参考訳）: ほとんどのハームレス機械学習:リニアIVモデルにおける最適機器の学習
• Authors: Jiafeng Chen and Daniel L. Chen and Greg Lewis
• Abstract要約: 標準線形機器変数設定に機械学習を組み込むことを正当化する理論的結果を提供する。 楽器から処理変数を予測するために,機械学習とサンプル分割を併用した。 これにより、研究者は治療と器具の間の非線形な共変を抽出することができる。
• 参考スコア（独自算出の注目度）: 3.7599363231894176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We offer straightforward theoretical results that justify incorporating machine learning in the standard linear instrumental variable setting. The key idea is to use machine learning, combined with sample-splitting, to predict the treatment variable from the instrument and any exogenous covariates, and then use this predicted treatment and the covariates as technical instruments to recover the coefficients in the second-stage. This allows the researcher to extract non-linear co-variation between the treatment and instrument that may dramatically improve estimation precision and robustness by boosting instrument strength. Importantly, we constrain the machine-learned predictions to be linear in the exogenous covariates, thus avoiding spurious identification arising from non-linear relationships between the treatment and the covariates. We show that this approach delivers consistent and asymptotically normal estimates under weak conditions and that it may be adapted to be semiparametrically efficient (Chamberlain, 1992). Our method preserves standard intuitions and interpretations of linear instrumental variable methods, including under weak identification, and provides a simple, user-friendly upgrade to the applied economics toolbox. We illustrate our method with an example in law and criminal justice, examining the causal effect of appellate court reversals on district court sentencing decisions.
• Abstract（参考訳）: 標準線形機器変数設定における機械学習の導入を正当化する単純な理論的結果を提供する。 鍵となるアイデアは、機械学習とサンプル分割を組み合わせることで、機器と外生共変体からの処理変数を予測し、予測された処理と共変体を技術機器として使用し、第2段階の係数を回復させることである。 これにより、装置の強度を高めることで推定精度とロバスト性が劇的に向上する治療と器具の間の非線形共変を抽出することができる。 重要なことは、機械学習予測は外因性共変量において線形であることに制約し、処理と共変量の間の非線形関係から生じる突発的な識別を避けることである。 この手法は弱条件下で一貫性があり漸近的に正規な推定を行い、半パラメトリックに適応できることを示した(chamberlain, 1992)。 本手法は,弱識別を含む線形インストゥルメンタル変数法の標準的な直観と解釈を保存し,応用経済学ツールボックスの簡易かつユーザフレンドリーなアップグレードを提供する。 本手法を法と刑事司法の例で示し,地方裁判所の判決に対する裁判所の逆転の因果効果を検証した。

関連論文リスト

• Automatic doubly robust inference for linear functionals via calibrated debiased machine learning [0.9694940903078658]
  本稿では2つの頑健な推論のためのバイアス付き機械学習推定器を提案する。 C-DML推定器は、結果回帰または線形汎函数のリース表現器が十分に推定されたときに線形性を維持する。 我々の理論的および実証的な結果は、ニュアンス関数の不一致または遅い推定によるバイアスを軽減するためにC-DMLの使用を支持する。
  論文  参考訳（メタデータ） (2024-11-05T03:32:30Z)
• Instance-Specific Asymmetric Sensitivity in Differential Privacy [2.855485723554975]
  我々は指数的メカニズムを通して出力を選択するためのパラダイムを提供する以前の作業の上に構築する。 我々のフレームワークは、近接度メートル法をわずかに修正し、スパースベクトル技法の単純かつ効率的な応用を提供する。
  論文  参考訳（メタデータ） (2023-11-02T05:01:45Z)
• 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)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Robustness Against Weak or Invalid Instruments: Exploring Nonlinear Treatment Models with Machine Learning [1.3022753212679383]
  観測実験における因果推論について検討する。 本稿では,非線形処理モデルと機械学習を併用した2段階曲率同定法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:19:24Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Weight-of-evidence 2.0 with shrinkage and spline-binning [3.925373521409752]
  分類予測器を変換するための形式化、データ駆動、強力な方法を提案する。 我々は,重み付け手法を拡張し,縮尺推定器を用いて比例を推定することを提案する。 本稿では,提案手法の有効性を示す詐欺検出セットにおける一連の実験結果を示す。
  論文  参考訳（メタデータ） (2021-01-05T13:13:16Z)
• Causality-aware counterfactual confounding adjustment as an alternative to linear residualization in anticausal prediction tasks based on linear learners [14.554818659491644]
  反因果予測タスクにおける因果関係を考慮した共起調整に対する線形残差化手法の比較を行った。 線形学習者の予測性能において,因果認識アプローチは(漸近的に)残留化調整に優れる傾向があることを示す。
  論文  参考訳（メタデータ） (2020-11-09T17:59:57Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)
• Learning the Truth From Only One Side of the Story [58.65439277460011]
  一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。 理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-08T18:20:28Z)

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。