論文の概要: Accounting for shared covariates in semi-parametric Bayesian additive regression trees
- arxiv url: http://arxiv.org/abs/2108.07636v7
- Date: Tue, 30 Jul 2024 14:40:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 23:24:35.019927
- Title: Accounting for shared covariates in semi-parametric Bayesian additive regression trees
- Title（参考訳）: 半パラメトリックベイズ加法的回帰木における共有共変量の説明
- Authors: Estevão B. Prado, Andrew C. Parnell, Keefe Murphy, Nathan McJames, Ann O'Shea, Rafael A. Moral,
- Abstract要約: ベイズ加法回帰木(BART)に基づく半パラメトリックモデルの拡張を提案する。
このアプローチの主な斬新さは、このバイアスに対処するために、BARTのツリージェネレーションの動きを変える方法にあります。
回帰モデル、半パラメトリックBARTの代替定式化、その他の木に基づく手法と比較した場合の競合性能を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose some extensions to semi-parametric models based on Bayesian additive regression trees (BART). In the semi-parametric BART paradigm, the response variable is approximated by a linear predictor and a BART model, where the linear component is responsible for estimating the main effects and BART accounts for non-specified interactions and non-linearities. Previous semi-parametric models based on BART have assumed that the set of covariates in the linear predictor and the BART model are mutually exclusive in an attempt to avoid poor coverage properties and reduce bias in the estimates of the parameters in the linear predictor. The main novelty in our approach lies in the way we change the tree-generation moves in BART to deal with this bias and resolve non-identifiability issues between the parametric and non-parametric components, even when they have covariates in common. This allows us to model complex interactions involving the covariates of primary interest, both among themselves and with those in the BART component. Our novel method is developed with a view to analysing data from an international education assessment, where certain predictors of students' achievements in mathematics are of particular interpretational interest. Through additional simulation studies and another application to a well-known benchmark dataset, we also show competitive performance when compared to regression models, alternative formulations of semi-parametric BART, and other tree-based methods. The implementation of the proposed method is available at \url{https://github.com/ebprado/CSP-BART}.
- Abstract（参考訳）: ベイズ加法回帰木(BART)に基づく半パラメトリックモデルの拡張を提案する。
半パラメトリックなBARTパラダイムでは、応答変数は線形予測器とBARTモデルによって近似される。
従来のBARTに基づく半パラメトリックモデルでは、線形予測器における共変量とBARTモデルの集合は、粗大なカバレッジ特性を回避し、線形予測器におけるパラメータの推定におけるバイアスを低減するために、互いに排他的であると仮定されている。
我々のアプローチの主な新規性は、このバイアスに対処し、パラメトリック成分と非パラメトリック成分の間の非同一性の問題を解決するために、BARTのツリージェネレーションの動きを変える方法にある。
これにより、プライマリ・インテンシブの共変量を含む複雑な相互作用を、BARTコンポーネント内およびBARTコンポーネント内の両方でモデル化することができる。
本手法は,数学における学生の業績の予測者が特に解釈的関心を持つ国際的教育評価からデータを分析するために開発された。
さらなるシミュレーション研究と、よく知られたベンチマークデータセットへの別の応用を通じて、回帰モデル、半パラメトリックBARTの代替定式化、その他の木に基づく手法と比較して、競合性能を示す。
提案手法の実装は \url{https://github.com/ebprado/CSP-BART} で公開されている。
関連論文リスト
- Linear-cost unbiased posterior estimates for crossed effects and matrix factorization models via couplings [0.0]
我々はブロックされたギブスサンプルラー(BGS)のカップリングに基づくマルコフ連鎖モンテカルロスキームの設計と解析を行う。
本手法は,条件付き独立ブロックを有する高次元BGSに対して設計および適用可能である。
論文 参考訳（メタデータ） (2024-10-11T16:05:01Z) - Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。
我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
論文 参考訳（メタデータ） (2024-07-11T13:28:34Z) - Co-data Learning for Bayesian Additive Regression Trees [0.0]
本稿では,コデータから木間関係の予測モデルを構築することを提案する。
提案手法は複数のデータ型を同時に扱うことができる。
Co-dataは、大きなB細胞リンパ腫の予後を拡散させる用途における予測を強化する。
論文 参考訳（メタデータ） (2023-11-16T16:14:39Z) - SoftBart: Soft Bayesian Additive Regression Trees [2.969705152497174]
本稿では,LineroとYangのSoft BARTアルゴリズムに適合するSoftBartパッケージを提案する。
このパッケージの主な目標は、より大きなモデルにBARTを組み込むことである。
標準的な予測タスクにこのパッケージを使う方法と、より大きなモデルにBARTモデルを組み込む方法の両方を示します。
論文 参考訳（メタデータ） (2022-10-28T19:25:45Z) - Hierarchical Embedded Bayesian Additive Regression Trees [0.0]
HE-BARTは、レグレッションツリーのセットの終端ノードレベルにランダムエフェクトを含めることができる。
シミュレーションおよび実世界の例を用いて、HE-BARTは標準的な混合効果モデルのサンプルデータセットの多くに対して優れた予測が得られることを示した。
この論文の今後のバージョンでは、より大きく、より高度なデータセットと構造での使用について概説する。
論文 参考訳（メタデータ） (2022-04-14T19:56:03Z) - GP-BART: a novel Bayesian additive regression trees approach using
Gaussian processes [1.03590082373586]
GP-BARTモデル(GP-BART model)は、すべての木間の各終端ノードの予測にGP先行を仮定することで制限に対処するBARTの拡張である。
モデルの有効性は、シミュレーションおよび実世界のデータへの応用を通じて実証され、様々なシナリオにおける従来のモデリング手法のパフォーマンスを上回る。
論文 参考訳（メタデータ） (2022-04-05T11:18:44Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian
Nonparametrics [85.31247588089686]
変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。
ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
論文 参考訳（メタデータ） (2021-07-08T03:40:18Z) - A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。
ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。
シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
論文 参考訳（メタデータ） (2020-11-30T21:47:38Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z)
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。