論文の概要: Estimation of Local Average Treatment Effect by Data Combination
- arxiv url: http://arxiv.org/abs/2109.05175v1
- Date: Sat, 11 Sep 2021 03:51:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-18 18:03:27.312472
- Title: Estimation of Local Average Treatment Effect by Data Combination
- Title(参考訳): データ組み合わせによる局所的平均治療効果の推定
- Authors: Kazuhiko Shinoda and Takahiro Hoshino
- Abstract要約: 治療課題の遵守が不完全である場合には、局所的平均治療効果(LATE)を推定することが重要である。
以前提案されたLATE推定法では、関連するすべての変数を1つのデータセットで共同で観測することが必要であった。
最小値の定式化を回避し,より簡易なモデル選択を可能とする重み付き最小二乗推定器を提案する。
- 参考スコア(独自算出の注目度): 3.655021726150368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: It is important to estimate the local average treatment effect (LATE) when
compliance with a treatment assignment is incomplete. The previously proposed
methods for LATE estimation required all relevant variables to be jointly
observed in a single dataset; however, it is sometimes difficult or even
impossible to collect such data in many real-world problems for technical or
privacy reasons. We consider a novel problem setting in which LATE, as a
function of covariates, is nonparametrically identified from the combination of
separately observed datasets. For estimation, we show that the direct least
squares method, which was originally developed for estimating the average
treatment effect under complete compliance, is applicable to our setting.
However, model selection and hyperparameter tuning for the direct least squares
estimator can be unstable in practice since it is defined as a solution to the
minimax problem. We then propose a weighted least squares estimator that
enables simpler model selection by avoiding the minimax objective formulation.
Unlike the inverse probability weighted (IPW) estimator, the proposed estimator
directly uses the pre-estimated weight without inversion, avoiding the problems
caused by the IPW methods. We demonstrate the effectiveness of our method
through experiments using synthetic and real-world datasets.
- Abstract(参考訳): 治療課題の遵守が不完全である場合には、局所的平均治療効果(LATE)を推定することが重要である。
従来提案されたLATE推定法では,すべての関連する変数を1つのデータセットで共同で観測することが求められていたが,技術的な理由やプライバシー上の理由から,現実の多くの問題においてそのようなデータを収集することは困難あるいは不可能であった。
共変量の関数である遅延が、別個の観測データセットの組み合わせから非パラメトリックに識別されるような、新しい問題設定を考える。
提案手法は, 従来, 完全コンプライアンス下での平均治療効果を推定するために開発された直接最小二乗法が適用可能であることを示す。
しかし、最小二乗推定器のモデル選択とハイパーパラメータチューニングは、ミニマックス問題の解として定義されるため、実際には不安定である。
次に,最小値の定式化を回避し,より単純なモデル選択を可能にする重み付き最小二乗推定器を提案する。
逆確率重み付き (IPW) 推定器と異なり, 提案した推定器は, インバージョンなしで直接推定した重みを算出し, IPW法による問題を回避する。
合成および実世界のデータセットを用いた実験により,本手法の有効性を示す。
関連論文リスト
- Efficient adjustment for complex covariates: Gaining efficiency with
DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文 参考訳(メタデータ) (2024-02-20T13:02:51Z) - Robust Estimation of the Tail Index of a Single Parameter Pareto
Distribution from Grouped Data [0.0]
本稿では,新しいロバストな推定手法MTuMを提案する。
MTuMの推論正当性は、中心極限定理を用いて、包括的なシミュレーション研究を通じて検証することによって確立される。
論文 参考訳(メタデータ) (2024-01-26T01:42:06Z) - Scalable and hyper-parameter-free non-parametric covariate shift
adaptation with conditional sampling [2.969582361376132]
共変量シフト適応に対する新しい非パラメトリックアプローチを提案する。
私たちの基本的な考え方は、ソースデータセットにある$k$-nearestの隣人によってラベル付けされていないターゲットデータをラベル付けすることにあります。
その結果,対象データの結合確率分布を推定するための収束速度が急上昇することがわかった。
論文 参考訳(メタデータ) (2023-12-15T17:28:09Z) - Statistical Limits of Adaptive Linear Models: Low-Dimensional Estimation
and Inference [5.924780594614676]
データの任意適応が許された場合、単一の座標を推定する誤差を$sqrtd$の倍にすることができる。
2段階適応線形推定方程式(TALE)を解くことにより,単一座標推定のための新しい推定器を提案する。
論文 参考訳(メタデータ) (2023-10-01T00:45:09Z) - Semi-Supervised Quantile Estimation: Robust and Efficient Inference in
High Dimensional Settings [0.07031569227782805]
2つの利用可能なデータセットを特徴とする半教師付き環境での量子推定を考察する。
本稿では,2つのデータセットに基づいて,応答量子化(s)に対する半教師付き推定器群を提案する。
論文 参考訳(メタデータ) (2022-01-25T10:02:23Z) - 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) - Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。
我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。
我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文 参考訳(メタデータ) (2021-07-05T21:05:11Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳(メタデータ) (2020-02-21T00:27:52Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
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。