論文の概要: Double Machine Learning for Partially Linear Mixed-Effects Models with
Repeated Measurements
- arxiv url: http://arxiv.org/abs/2108.13657v1
- Date: Tue, 31 Aug 2021 07:41:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 14:23:06.050481
- Title: Double Machine Learning for Partially Linear Mixed-Effects Models with
Repeated Measurements
- Title(参考訳): 繰り返し測定による部分線形混合効果モデルのダブル機械学習
- Authors: Corinne Emmenegger and Peter B\"uhlmann
- Abstract要約: 機械学習アルゴリズムを用いて、より複雑な相互作用構造と高次元変数を組み込む。
調整された変数は線形混合効果モデルを満たすが、線形係数は標準線形混合効果法で推定できる。
- 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: Traditionally, spline or kernel approaches in combination with parametric
estimation are used to infer the linear coefficient (fixed effects) in a
partially linear mixed-effects model (PLMM) for repeated measurements. Using
machine learning algorithms allows us to incorporate more complex interaction
structures and high-dimensional variables. We employ double machine learning to
cope with the nonparametric part of the PLMM: the nonlinear variables are
regressed out nonparametrically from both the linear variables and the
response. This adjustment can be performed with any machine learning algorithm,
for instance random forests. The adjusted variables satisfy a linear
mixed-effects model, where the linear coefficient can be estimated with
standard linear mixed-effects techniques. We prove that the estimated fixed
effects coefficient converges at the parametric rate and is asymptotically
Gaussian distributed and semiparametrically efficient. Empirical examples
demonstrate our proposed algorithm. We present two simulation studies and
analyze a dataset with repeated CD4 cell counts from HIV patients. Software
code for our method is available in the R-package dmlalg.
- Abstract(参考訳): 伝統的に、パラメトリック推定と組み合わせたスプラインまたはカーネルアプローチは、繰り返し測定するために部分的に線形混合効果モデル(PLMM)における線形係数(固定効果)を推定するために用いられる。
機械学習アルゴリズムを使うことで、より複雑な相互作用構造と高次元変数を組み込むことができる。
非線形変数は線形変数と応答の両方から非パラメトリックに回帰される。
この調整は、任意の機械学習アルゴリズム、例えばランダムフォレストで行うことができる。
調整された変数は線形混合効果モデルを満たすが、線形係数は標準線形混合効果法で推定できる。
推定された固定効果係数がパラメトリックレートで収束し、漸近的にガウス分布および半パラメトリック効率がよいことを示す。
実例で提案するアルゴリズムを示す。
本研究はHIV患者からのCD4細胞数を繰り返し解析する2つのシミュレーション研究である。
我々のメソッドのソフトウェアコードはR-package dmlalgで利用可能です。
関連論文リスト
- Agnostic Learning of Mixed Linear Regressions with EM and AM Algorithms [22.79595679373698]
混合線形回帰は統計学と機械学習においてよく研究されている問題である。
本稿では、サンプルから混合線形回帰を学習する際のより一般的な問題について考察する。
AMアルゴリズムとEMアルゴリズムは, 集団損失最小化器に収束することにより, 混合線形回帰学習につながることを示す。
論文 参考訳(メタデータ) (2024-06-03T09:43:24Z) - Gradient-based bilevel optimization for multi-penalty Ridge regression
through matrix differential calculus [0.46040036610482665]
我々は,l2-正則化を用いた線形回帰問題に対する勾配に基づくアプローチを導入する。
提案手法はLASSO, Ridge, Elastic Netレグレッションよりも優れていることを示す。
勾配の解析は、自動微分と比較して計算時間の観点からより効率的であることが証明されている。
論文 参考訳(メタデータ) (2023-11-23T20:03:51Z) - Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。
異なる時系列変数間の非線形相互作用を含む。
実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
論文 参考訳(メタデータ) (2023-09-29T11:42:59Z) - Probabilistic Unrolling: Scalable, Inverse-Free Maximum Likelihood
Estimation for Latent Gaussian Models [69.22568644711113]
我々は,モンテカルロサンプリングと反復線形解法を組み合わせた確率的アンローリングを導入し,行列逆転を回避した。
理論的解析により,解法の繰り返しによる解法の解法と逆転が最大値推定の勾配推定を高速化することを示した。
シミュレーションおよび実データ実験において、確率的アンロールは、モデル性能の損失を最小限に抑えながら、勾配EMよりも桁違いに高速な潜在ガウスモデルを学習することを示した。
論文 参考訳(メタデータ) (2023-06-05T21:08:34Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Test Set Sizing Via Random Matrix Theory [91.3755431537592]
本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。
それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。
本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
論文 参考訳(メタデータ) (2021-12-11T13:18:33Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - Variational Inference and Learning of Piecewise-linear Dynamical Systems [33.23231229260119]
本稿では,線形力学系の変分近似を提案する。
モデルパラメータは静的パラメータと動的パラメータの2つの集合に分割でき、元のパラメータは線形モードの数やスイッチング変数の状態の数とともにオフラインで推定できることを示す。
論文 参考訳(メタデータ) (2020-06-02T14:40:35Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z)
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。