Fugu-MT 論文翻訳(概要): Inference of Causal Effects when Control Variables are Unknown

論文の概要: Inference of Causal Effects when Control Variables are Unknown

arxiv url: http://arxiv.org/abs/2012.08154v2
Date: Fri, 19 Feb 2021 14:59:07 GMT
ステータス: 処理完了
システム内更新日: 2021-05-07 05:31:13.718825
Title: Inference of Causal Effects when Control Variables are Unknown
Title（参考訳）: 制御変数が未知な場合の因果効果の推定
Authors: Ludvig Hult and Dave Zachariah
Abstract要約: 本研究では, 平均因果効果を推定する手法を提案する。データ生成過程が非循環構造因果モデルのクラスに属する場合、本手法が有効な信頼区間を生成することを証明した。
参考スコア（独自算出の注目度）: 16.244541005112747
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conventional methods in causal effect inferencetypically rely on specifying a valid set of control variables. When this set is unknown or misspecified, inferences will be erroneous. We propose a method for inferring average causal effects when all potential confounders are observed, but thecontrol variables are unknown. When the data-generating process belongs to the class of acyclical linear structural causal models, we prove that themethod yields asymptotically valid confidence intervals. Our results build upon a smooth characterization of linear directed acyclic graphs. We verify the capability of the method to produce valid confidence intervals for average causal effects using synthetic data, even when the appropriate specification of control variables is unknown.
Abstract（参考訳）: 因果効果の従来の方法は、典型的には有効な制御変数のセットを指定することに依存する。この集合が未知または誤記である場合、推論は誤りである。我々は,すべての潜在的共同創設者が観察された場合の平均因果効果を推定する方法を提案するが,制御変数は未知である。データ生成過程が非巡回線形構造因果モデルのクラスに属する場合、この手法は漸近的に妥当な信頼区間をもたらすことが証明される。この結果は線形有向非巡回グラフの滑らかなキャラクタリゼーションに基づいている。本手法は,制御変数の適切な指定が不明な場合でも,合成データを用いて,平均因果効果に対する信頼区間の妥当性を検証する。

関連論文リスト

Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables [13.12743473333296]
非実験データから因果効果を推定することは、科学の多くの分野における根本的な問題である。非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。我々は、合成データと実世界のデータの両方に関する広範な実験を通じて、アルゴリズムを検証する。
論文参考訳（メタデータ） (2024-11-25T12:08:54Z)
Front-door Adjustment Beyond Markov Equivalence with Limited Graph Knowledge [36.210656212459554]
本報告では,正面調整を用いて因果効果を計算するための条件付き独立文について述べる。本手法はマルコフ同値クラスが因果効果推定に十分でない場合に適用可能であることを示す。
論文参考訳（メタデータ） (2023-06-19T15:16:56Z)
Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
本研究では,不正確な連続処理変数を仮定するモデルを提案する。我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
論文参考訳（メタデータ） (2023-06-18T18:38:10Z)
Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文参考訳（メタデータ） (2023-06-01T10:51:58Z)
Independence Testing-Based Approach to Causal Discovery under Measurement Error and Linear Non-Gaussian Models [9.016435298155827]
因果発見は、観測データを生成する因果構造を復元することを目的としている。この問題の特定の定式化を考えると、観測されていない対象変数は非ガウス非巡回線型モデルに従う。本研究では,ある測定変数の特定の線形変換と,他の測定変数との独立性をチェックする変態独立雑音条件を提案する。
論文参考訳（メタデータ） (2022-10-20T05:10:37Z)
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)
Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文参考訳（メタデータ） (2021-10-12T17:21:41Z)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文参考訳（メタデータ） (2021-01-17T07:48:45Z)
The Impact of Data on the Stability of Learning-Based Control- Extended Version [63.97366815968177]
本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
論文参考訳（メタデータ） (2020-11-20T19:10:01Z)
A Class of Algorithms for General Instrumental Variable Models [29.558215059892206]
因果治療効果の推定は、様々な現実世界で発生する重要な問題である。連続分布における因果効果のバウンディング法を提案する。
論文参考訳（メタデータ） (2020-06-11T12:32:24Z)

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。