論文の概要: Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap

• arxiv url: http://arxiv.org/abs/2104.05762v1
• Date: Mon, 12 Apr 2021 18:50:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-14 13:21:11.023444
• Title: Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap
• Title（参考訳）: Deconfounding Scores:Weak Overlapによる因果効果推定のための特徴表現
• Authors: Alexander D'Amour and Alexander Franks
• Abstract要約: 推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
• 参考スコア（独自算出の注目度）: 140.98628848491146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key condition for obtaining reliable estimates of the causal effect of a treatment is overlap (a.k.a. positivity): the distributions of the features used to perform causal adjustment cannot be too different in the treated and control groups. In cases where overlap is poor, causal effect estimators can become brittle, especially when they incorporate weighting. To address this problem, a number of proposals (including confounder selection or dimension reduction methods) incorporate feature representations to induce better overlap between the treated and control groups. A key concern in these proposals is that the representation may introduce confounding bias into the effect estimator. In this paper, we introduce deconfounding scores, which are feature representations that induce better overlap without biasing the target of estimation. We show that deconfounding scores satisfy a zero-covariance condition that is identifiable in observed data. As a proof of concept, we characterize a family of deconfounding scores in a simplified setting with Gaussian covariates, and show that in some simple simulations, these scores can be used to construct estimators with good finite-sample properties. In particular, we show that this technique could be an attractive alternative to standard regularizations that are often applied to IPW and balancing weights.
• Abstract（参考訳）: 治療の因果効果の信頼できる推定を得るための重要な条件は重複である(a.a。 肯定性: 因果調整を行うために使用される特徴の分布は、処理群と制御群であまりにも異なるものではない。 重なり合いが悪い場合、特に重み付けを取り入れた場合、因果効果推定器は脆くなることがある。 この問題に対処するため、多くの提案(共同設立者選択法や次元縮小法を含む)が特徴表現を取り入れ、処理群と制御群とのより優れた重複を誘発する。 これらの提案における重要な懸念は、この表現が効果推定子に共起バイアスをもたらす可能性があることである。 本稿では,推定対象の偏りを伴わずに重なりを生じさせる特徴表現であるデコンウンディングスコアを紹介する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 概念の証明として、ガウス共変量を用いた簡易な設定で分解スコアの族を特徴づけ、いくつかの単純なシミュレーションにおいて、これらのスコアが優れた有限サンプル特性を持つ推定器を構築するために使用できることを示す。 特に,IPWや重みのバランスによく適用される標準正規化に代えて,この手法が魅力的な方法であることを示す。

関連論文リスト

• RHALE: Robust and Heterogeneity-aware Accumulated Local Effects [8.868822699365616]
  累積局所効果(英: Accumulated Local Effects, ALE)は、ある特徴の出力に対する平均効果を分離するための広く使われている説明可能性法である。 これは、平均的な(グローバルな)効果からインスタンスレベル(局所的な)効果の偏りを定量化していない。 本稿ではこれらの制約に対処するため,Robust と Heterogeneity-aware ALE (RHALE) を提案する。
  論文  参考訳（メタデータ） (2023-09-20T10:27:41Z)
• Leveraging Factored Action Spaces for Off-Policy Evaluation [0.0]
  オフ・ポリティィ・アセスメント(OPE: Off-policy Evaluation)は、反現実的な行動列に従う利点を推定することを目的としている。 既存のOPE推定器は、大きく分解された作用空間に関わる問題において、高いバイアスと高いばらつきを示すことが多い。 本稿では,因子的作用空間に基づく「分解」重要サンプリング(IS)推定器の新たなファミリーを提案する。
  論文  参考訳（メタデータ） (2023-07-13T18:34:14Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Bayesian Hierarchical Models for Counterfactual Estimation [12.159830463756341]
  本稿では,多種多様なカウンターファクトの集合を推定する確率的パラダイムを提案する。 摂動を事前分布関数によるランダム変数として扱う。 収束特性の優れた勾配ベースサンプリング器は、後方サンプルを効率的に計算する。
  論文  参考訳（メタデータ） (2023-01-21T00:21:11Z)
• Orthogonal Series Estimation for the Ratio of Conditional Expectation Functions [2.855485723554975]
  本章は、条件付き期待関数(CEFR)の推定と推定のための一般的な枠組みを開発する。 本研究は,ガウスブートストラップの有効性を含むCEFRの推定と推定のためのポイントワイドおよび均一な結果を導出する。 提案手法を適用し,世帯資産に対する401(k)プログラムの因果効果を推定する。
  論文  参考訳（メタデータ） (2022-12-26T13:01:17Z)
• Ensembling over Classifiers: a Bias-Variance Perspective [13.006468721874372]
  Pfau (2013) による偏差分解の拡張の上に構築し, 分類器のアンサンブルの挙動に関する重要な知見を得る。 条件付き推定は必然的に既約誤差を生じさせることを示す。 経験的に、標準的なアンサンブルはバイアスを減少させ、この予期せぬ減少のために、分類器のアンサンブルがうまく機能するかもしれないという仮説を立てる。
  論文  参考訳（メタデータ） (2022-06-21T17:46:35Z)
• 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)
• 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)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• 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。