論文の概要: Causal Inference Struggles with Agency on Online Platforms
- arxiv url: http://arxiv.org/abs/2107.08995v1
- Date: Mon, 19 Jul 2021 16:14:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 17:08:23.571884
- Title: Causal Inference Struggles with Agency on Online Platforms
- Title（参考訳）: 因果推論がオンラインプラットフォーム上のエージェンシーと闘う
- Authors: Smitha Milli, Luca Belli, Moritz Hardt
- Abstract要約: ユーザの自己選択から導かれる観察研究の有効性を評価することを目的として,Twitter上で4つの大規模内部スタディ比較を行った。
この結果から,ユーザの自己選択から導かれる観察研究は,オンラインプラットフォーム上でのランダム化実験の代替手段として不十分であることが示唆された。
- 参考スコア（独自算出の注目度）: 32.81856583026165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online platforms regularly conduct randomized experiments to understand how
changes to the platform causally affect various outcomes of interest. However,
experimentation on online platforms has been criticized for having, among other
issues, a lack of meaningful oversight and user consent. As platforms give
users greater agency, it becomes possible to conduct observational studies in
which users self-select into the treatment of interest as an alternative to
experiments in which the platform controls whether the user receives treatment
or not. In this paper, we conduct four large-scale within-study comparisons on
Twitter aimed at assessing the effectiveness of observational studies derived
from user self-selection on online platforms. In a within-study comparison,
treatment effects from an observational study are assessed based on how
effectively they replicate results from a randomized experiment with the same
target population. We test the naive difference in group means estimator, exact
matching, regression adjustment, and inverse probability of treatment weighting
while controlling for plausible confounding variables. In all cases, all
observational estimates perform poorly at recovering the ground-truth estimate
from the analogous randomized experiments. In all cases except one, the
observational estimates have the opposite sign of the randomized estimate. Our
results suggest that observational studies derived from user self-selection are
a poor alternative to randomized experimentation on online platforms. In
discussing our results, we postulate "Catch-22"s that suggest that the success
of causal inference in these settings may be at odds with the original
motivations for providing users with greater agency.
- Abstract（参考訳）: オンラインプラットフォームは、プラットフォームの変更が関心のさまざまな結果に因果的にどのように影響するかを理解するために、ランダム化実験を定期的に実施する。
しかし、オンラインプラットフォームにおける実験は、有意義な監視とユーザーの同意の欠如によって批判されている。
プラットフォームは利用者により大きなエージェンシーを与えるため、利用者が治療を受けるか否かを制御する実験の代替として、興味ある治療に自己選択する観察的研究を行うことが可能である。
本稿では,オンラインプラットフォーム上でのユーザ自己選択による観察研究の有効性を評価するために,Twitter上で4つの大規模内部スタディ比較を行った。
研究内比較では、同じ対象集団のランダム化実験の結果をいかに効果的に再現するかに基づいて、観察的研究による治療効果を評価する。
グループ平均推定器におけるナイーブな差異,正確なマッチング,回帰調整,逆重み付けの確率をテストし,その有効性を検証した。
いずれの場合においても、全ての観測推定値が類似したランダム化実験から地上推定値の回復に乏しい。
いずれの場合も、観測的な推定値がランダム化された推定値の反対の符号を持つ。
以上の結果から,オンラインプラットフォームにおけるランダム化実験に代わる,ユーザの自己選択による観察研究は不十分であることが示唆された。
以上の結果について考察した上で, 因果推論の成功は, 利用者により大きなエージェントを提供する当初の動機と矛盾する可能性があることを示唆する「catch-22」を仮定した。
関連論文リスト
- Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。
このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。
本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
論文 参考訳（メタデータ） (2023-11-09T11:29:44Z) - A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
実験と観測を組み合わせた二重機械学習手法を提案する。
我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
論文 参考訳（メタデータ） (2023-07-04T02:53:11Z) - Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。
オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。
異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
論文 参考訳（メタデータ） (2022-10-15T17:15:51Z) - Avoiding Biased Clinical Machine Learning Model Performance Estimates in
the Presence of Label Selection [3.3944964838781093]
ラベル選択の3つのクラスを記述し、5つの因果的シナリオをシミュレートし、特定の選択メカニズムが、一般的に報告されているバイナリ機械学習モデルパフォーマンス指標の組に偏っているかを評価する。
その結果, 観測個体群におけるAUROCの有意な推定値が, 実成績を最大20%下回っていることがわかった。
このような格差は、成功した臨床意思決定支援ツールの誤った終了につながるのに十分大きな可能性がある。
論文 参考訳（メタデータ） (2022-09-15T22:30:14Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z) - Identifying Peer Influence in Therapeutic Communities Adjusting for Latent Homophily [1.6385815610837167]
薬物乱用や犯罪行為に対する対人的役割モデルの影響について検討した。
観測データに観測されていないホモフィリーが存在する場合のピアの影響を同定するために,潜時変動モデルを用いてネットワークをモデル化する。
以上の結果から,友人の卒業が住民の卒業に与える影響は,性別,人種,役割モデルの効果の定義によって異なることが示唆された。
論文 参考訳（メタデータ） (2022-03-27T06:47:28Z) - Plinko: A Theory-Free Behavioral Measure of Priors for Statistical
Learning and Mental Model Updating [62.997667081978825]
Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。
対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。
我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
論文 参考訳（メタデータ） (2021-07-23T22:27:30Z) - Double machine learning for sample selection models [0.12891210250935145]
本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。
a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
論文 参考訳（メタデータ） (2020-11-30T19:40:21Z) - 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) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。