Fugu-MT 論文翻訳(概要): Assessing the Impact of COVID-19 on Trade: a Machine Learning Counterfactual Analysis

論文の概要: Assessing the Impact of COVID-19 on Trade: a Machine Learning Counterfactual Analysis

arxiv url: http://arxiv.org/abs/2104.04570v1
Date: Fri, 9 Apr 2021 19:00:03 GMT
ステータス: 処理完了
システム内更新日: 2021-04-13 13:46:35.264574
Title: Assessing the Impact of COVID-19 on Trade: a Machine Learning Counterfactual Analysis
Title（参考訳）: 新型コロナウイルスが貿易に与える影響を評価する: 機械学習の対実分析
Authors: Marco Due\~nas and V\'ictor Ortiz and Massimo Riccaboni and Francesco Serti
Abstract要約: 本稿では、企業の取引状況予測における異なる機械学習(ml)手法の有効性を検討する最初の試みである。私たちは、2つの異なるシナリオの下で輸出市場で生き残るコロンビアの企業の可能性に焦点を当てています:COVID-19の設定と非COVID-19の反事実の状況。
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: By interpreting exporters' dynamics as a complex learning process, this paper constitutes the first attempt to investigate the effectiveness of different Machine Learning (ML) techniques in predicting firms' trade status. We focus on the probability of Colombian firms surviving in the export market under two different scenarios: a COVID-19 setting and a non-COVID-19 counterfactual situation. By comparing the resulting predictions, we estimate the individual treatment effect of the COVID-19 shock on firms' outcomes. Finally, we use recursive partitioning methods to identify subgroups with differential treatment effects. We find that, besides the temporal dimension, the main factors predicting treatment heterogeneity are interactions between firm size and industry.
Abstract（参考訳）: 本論文は、輸出業者のダイナミクスを複雑な学習プロセスとして解釈することにより、企業の取引状況予測における異なる機械学習(ml)技術の有効性を検討する最初の試みである。我々は、新型コロナウイルスの設定と非現実的な状況という2つの異なるシナリオの下で、輸出市場で生き残るコロンビア企業の可能性に焦点を当てる。その結果を比較した結果,covid-19ショックの個別治療効果が企業業績に与える影響を推定した。最後に, 再帰的パーティショニング法を用いて, 異なる治療効果を有するサブグループを同定する。時間的次元の他に、治療の不均一性を予測する主な要因は、ファームサイズと産業間の相互作用である。

関連論文リスト

Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians [60.22542847840578]
敵対的機械学習の進歩にもかかわらず、敵対者の存在下でのガウスモデルに対する推論は特に過小評価されている。我々は,意思決定者の条件推論とその後の行動の妨害を希望する自己関心のある攻撃者について,一組の明らかな変数を乱すことで検討する。検出を避けるため、攻撃者は、破損した証拠の密度によって可否が決定される場合に、攻撃が可否を示すことを望んでいる。
論文参考訳（メタデータ） (2024-11-21T17:46:55Z)
Assessing the Impact of Case Correction Methods on the Fairness of COVID-19 Predictive Models [0.24999074238880484]
新型コロナウイルス(COVID-19)の症例予測タスクへの影響について,2つの症例修正手法について検討した。修正手法の1つは公平性を改善し、多数派ホワイト郡と多数派マイノリティ郡のパフォーマンスの差を減少させる。これらの結果は混在しているが、補正手法が新型コロナウイルスの症例データに既存のバイアスを悪化させる可能性があることは明らかである。
論文参考訳（メタデータ） (2024-05-16T16:26:21Z)
SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文参考訳（メタデータ） (2021-10-26T20:13:17Z)
Evaluating shifts in mobility and COVID-19 case rates in U.S. counties: A demonstration of modified treatment policies for causal inference with continuous exposures [0.0]
本研究では,2020年6月1日から11月14日までの新型コロナウイルス感染率に対する移動度分布の変化の影響について検討した。 10のモビリティ指標が選択され、新型コロナウイルスのケースレートに影響が期待される行動のいくつかの側面を捉えた。
論文参考訳（メタデータ） (2021-10-24T21:17:47Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Impact of Interventional Policies Including Vaccine on Covid-19 Propagation and Socio-Economic Factors [0.7874708385247353]
本研究の目的は、新型コロナウイルスの伝播と社会経済的影響をモデル化、予測、シミュレーションするための予測分析フレームワークを提供することである。私たちは最近ローンチしたオープンソースのCOVID-19ビッグデータプラットフォームを活用し、公開研究を使用して潜在的に関連する変数を見つけました。先進的な機械学習パイプラインは、現代的な機械学習アーキテクチャにデプロイされた自己進化モデルを用いて開発された。
論文参考訳（メタデータ） (2021-01-11T15:08:07Z)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
Targeted VAE: Variational and Targeted Learning for Causal Inference [39.351088248776435]
観測データによる因果推論は、幅広いタスクで非常に有用である。観察データを用いた因果推論の実施には,2つの重要な課題がある。構造化推論とターゲット学習を組み合わせることで、これらの2つの課題に対処する。
論文参考訳（メタデータ） (2020-09-28T16:55:24Z)
Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文参考訳（メタデータ） (2020-06-14T01:15:00Z)
Impact studies of nationwide measures COVID-19 anti-pandemic: compartmental model and machine learning [0.0]
全国的な新型コロナウイルス対策の効果について検討する。パンデミックの進展を予測するために、2つの機械学習ツールを使用します。
論文参考訳（メタデータ） (2020-05-17T23:23:38Z)
When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文参考訳（メタデータ） (2020-05-13T18:21:50Z)

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。