論文の概要: Causal Estimation with Functional Confounders

• arxiv url: http://arxiv.org/abs/2102.08533v1
• Date: Wed, 17 Feb 2021 02:16:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 14:41:46.326353
• Title: Causal Estimation with Functional Confounders
• Title（参考訳）: 機能的共同設立者による因果推定
• Authors: Aahlad Puli, Adler J. Perotte, Rajesh Ranganath
• Abstract要約: 因果推論は、無知と肯定性の2つの基本的な仮定に依存します。 真共起値が観測データの関数として表現できる場合の因果推論について検討する。 この設定では、不可知性は満たされるが、肯定性は侵害され、因果推論は一般に不可能である。
• 参考スコア（独自算出の注目度）: 24.54466899641308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference relies on two fundamental assumptions: ignorability and positivity. We study causal inference when the true confounder value can be expressed as a function of the observed data; we call this setting estimation with functional confounders (EFC). In this setting, ignorability is satisfied, however positivity is violated, and causal inference is impossible in general. We consider two scenarios where causal effects are estimable. First, we discuss interventions on a part of the treatment called functional interventions and a sufficient condition for effect estimation of these interventions called functional positivity. Second, we develop conditions for nonparametric effect estimation based on the gradient fields of the functional confounder and the true outcome function. To estimate effects under these conditions, we develop Level-set Orthogonal Descent Estimation (LODE). Further, we prove error bounds on LODE's effect estimates, evaluate our methods on simulated and real data, and empirically demonstrate the value of EFC.
• Abstract（参考訳）: 因果推論は、無知と肯定性の2つの基本的な仮定に依存します。 本研究では,真の共著者の値が観測データの関数として表現される場合の因果推論を,関数的共著者(EFC)によるこの設定推定と呼ぶ。 この設定では、不可知性は満たされるが、肯定性は侵害され、因果推論は一般に不可能である。 因果効果が推定できる2つのシナリオを検討する。 まず、機能的介入と呼ばれる治療の一部に対する介入と、これらの介入に対する効果評価のための十分な条件である機能的ポジティブ性について議論する。 第2に,機能的共著者の勾配場と真の結果関数に基づく非パラメトリック効果推定条件を開発する。 これらの条件下での効果を推定するために,LODE(Level-set Orthogonal Descent Estimation)を開発した。 さらに,lodeの効果推定における誤差境界を証明し,シミュレーションおよび実データに対する評価を行い,efcの価値を実証的に示す。

関連論文リスト

• Two-Stage Nuisance Function Estimation for Causal Mediation Analysis [8.288031125057524]
  媒介関数の作用関数に基づく推定器のバイアスの構造において,それらが果たす役割に基づいてニュアンス関数を推定する2段階推定手法を提案する。 本稿では,提案手法の解析と,関心パラメータの推定器の整合性と正規性に関する十分な条件について述べる。
  論文  参考訳（メタデータ） (2024-03-31T16:38:48Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Linking a predictive model to causal effect estimation [21.869233469885856]
  本稿では、まず、ある事例における結果に対する特徴(治療としての)の因果効果を推定する挑戦に取り組む。 理論的結果は、予測モデルを因果効果推定に自然に関連付け、予測モデルが因果的解釈可能であることを示唆する。 本稿では, 種々の予測モデルを用いて, 条件を満たす場合, 特徴の因果効果を, 最先端の因果効果推定法と同じくらい正確に推定できることを実証する。
  論文  参考訳（メタデータ） (2023-04-10T13:08:16Z)
• Partial counterfactual identification and uplift modeling: theoretical results and real-world assessment [0.4129225533930965]
  本稿では,アップリフト項に基づく反実的文の確率の有界性について論じる。 このような境界の厳密性は、昇降項に設定された特徴の情報に依存することを示す。 実測結果間の条件付き独立性を仮定した点推定器を提案する。
  論文  参考訳（メタデータ） (2022-11-14T10:45:55Z)
• 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)
• Inference on Strongly Identified Functionals of Weakly Identified Functions [71.42652863687117]
  本研究では,ニュアンス関数が存在しない場合でも,関数を強く識別するための新しい条件について検討する。 本稿では,プライマリおよびデバイアスのニュアンス関数に対するペナル化ミニマックス推定器を提案する。
  論文  参考訳（メタデータ） (2022-08-17T13:38:31Z)
• Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
  因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。 変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T13:46:12Z)
• Causal Inference Under Unmeasured Confounding With Negative Controls: A Minimax Learning Approach [84.29777236590674]
  すべての共同設立者が観察されず、代わりに負の制御が利用可能である場合の因果パラメータの推定について検討する。 最近の研究は、2つのいわゆるブリッジ関数による同定と効率的な推定を可能にする方法を示している。
  論文  参考訳（メタデータ） (2021-03-25T17:59:19Z)

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。