論文の概要: Agglomerative Hierarchical Clustering for Selecting Valid Instrumental
Variables
- arxiv url: http://arxiv.org/abs/2101.05774v1
- Date: Thu, 14 Jan 2021 18:25:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 00:47:59.524224
- Title: Agglomerative Hierarchical Clustering for Selecting Valid Instrumental
Variables
- Title(参考訳): 有効な変数選択のための凝集型階層クラスタリング
- Authors: Nicolas Apfel and Xiaoran Liang
- Abstract要約: 集約型階層クラスタリング法とHansen-Sarganオーバーアイデンティティテストを組み合わせた計測変数(IV)選択法を提案する。
複数のルールの下では,oracle の選択と推定結果を実現できることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an instrumental variable (IV) selection procedure which combines
the agglomerative hierarchical clustering method and the Hansen-Sargan
overidentification test for selecting valid instruments for IV estimation from
a large set of candidate instruments. Some of the instruments may be invalid in
the sense that they may fail the exclusion restriction. We show that under the
plurality rule, our method can achieve oracle selection and estimation results.
Compared to the previous IV selection methods, our method has the advantages
that it can deal with the weak instruments problem effectively, and can be
easily extended to settings where there are multiple endogenous regressors and
heterogenous treatment effects. We conduct Monte Carlo simulations to examine
the performance of our method, and compare it with two existing methods, the
Hard Thresholding method (HT) and the Confidence Interval method (CIM). The
simulation results show that our method achieves oracle selection and
estimation results in both single and multiple endogenous regressors settings
in large samples when all the instruments are strong. Also, our method works
well when some of the candidate instruments are weak, outperforming HT and CIM.
We apply our method to the estimation of the effect of immigration on wages in
the US.
- Abstract(参考訳): 本稿では,集合的階層的クラスタリング法とハンセン・サーガンオーソライゼーションテストを組み合わせることで,多数の候補機器からIV推定のための有効な機器を選択するための機器変数(IV)選択手法を提案する。
一部の楽器は、排他制限に失敗する可能性があるという意味で無効である。
複数のルールの下では,oracle の選択と推定結果を実現できることを示す。
従来のiv選択法と比較して,弱い計器問題に対して効果的に対処できるという利点があり,複数の内因性レグレプターや異種治療効果がある場合にも容易に拡張できる。
モンテカルロシミュレーションを行い,本手法の性能について検討し,ハードしきい値法 (ht) と信頼区間法 (cim) の2つの既存手法と比較した。
シミュレーションの結果,全ての楽器が強い場合, 単一および複数の内因性回帰器の設定において, オラクルの選択と推定結果が得られた。
また,提案手法は,HTやCIMよりも優れた,いくつかの候補楽器が弱い場合にも有効である。
本手法を,米国における移民の賃金に対する影響の推定に適用する。
関連論文リスト
- Regularized DeepIV with Model Selection [72.17508967124081]
正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。
我々の手法は現在の最先端の収束率と一致している。
論文 参考訳(メタデータ) (2024-03-07T05:38:56Z) - Learning to Select Pivotal Samples for Meta Re-weighting [12.73177872962048]
本研究では,大規模で不完全なトレーニングセットからこのようなメタサンプルを識別する方法を学習し,その後,クリーン化し,性能を最適化するために利用する。
学習フレームワークにおける2つのクラスタリング手法,Representation-based clustering method (RBC) と Gradient-based clustering method (GBC) を提案する。
論文 参考訳(メタデータ) (2023-02-09T03:04:40Z) - Weighted Ensemble Self-Supervised Learning [67.24482854208783]
組み立ては、モデルパフォーマンスを高めるための強力なテクニックであることが証明されている。
我々は,データ依存型重み付きクロスエントロピー損失を許容するフレームワークを開発した。
提案手法は、ImageNet-1K上での複数の評価指標において、両者に優れる。
論文 参考訳(メタデータ) (2022-11-18T02:00:17Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Meta-Learning Approaches for a One-Shot Collective-Decision Aggregation:
Correctly Choosing how to Choose Correctly [0.7874708385247353]
単発の機械学習に基づくアグリゲーションアプローチを2つ提示する。
最初の予測では、集団の選択に関する複数の特徴が与えられた場合、どのアグリゲーション法が最善かが予想される。
2つ目は、どの決定が最適かを直接予測する。
論文 参考訳(メタデータ) (2022-04-03T15:06:59Z) - Filter Methods for Feature Selection in Supervised Machine Learning
Applications -- Review and Benchmark [0.0]
本稿では,特徴選択ベンチマークに関する文献を合成し,広く使用されているR環境における58の手法の性能評価を行う。
MLモデルでは難しい4つの典型的なデータセットシナリオについて検討する。
論文 参考訳(メタデータ) (2021-11-23T20:20:24Z) - 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) - A Comparative Evaluation of Quantification Methods [3.1499058381005227]
量子化は、データセット内のクラス分布を予測する問題を表す。
近年,様々なアルゴリズムが提案されている。
40以上のデータセットで24の異なるメソッドを比較します。
論文 参考訳(メタデータ) (2021-03-04T18:51:06Z) - Comprehensive Comparative Study of Multi-Label Classification Methods [1.1278903078792917]
マルチラベル分類(MLC)は最近、機械学習コミュニティから関心が高まっています。
この研究は、さまざまなドメインのデータセットの多さに関する幅広いMLCメソッドの包括的な実証的研究を提供する。
論文 参考訳(メタデータ) (2021-02-14T09:38:15Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳(メタデータ) (2020-07-18T09:48:29Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳(メタデータ) (2020-03-02T15:21:20Z)
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。