論文の概要: Proximal Causal Inference with Hidden Mediators: Front-Door and Related Mediation Problems

• arxiv url: http://arxiv.org/abs/2111.02927v1
• Date: Thu, 4 Nov 2021 15:04:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-05 17:31:34.141984
• Title: Proximal Causal Inference with Hidden Mediators: Front-Door and Related Mediation Problems
• Title（参考訳）: 隠れ媒介者による近位因果推論:フロントドアと関連する調停問題
• Authors: AmirEmad Ghassami, Ilya Shpitser, Eric Tchetgen Tchetgen
• Abstract要約: 隠れた共同創設者の存在下での観察データから因果関係を識別する枠組みとして,近因果関係推論が提案されている。 我々は,従来のフロントドア結果を拡張して,プロキシが利用可能な隠れメディエータを実現するための,新しい隠れフロントドア基準を確立する。 i) と (ii) の課題が共存する環境においても, 特定の因果効果の同定が引き続き可能であることを示す。
• 参考スコア（独自算出の注目度）: 18.84623320851991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proximal causal inference was recently proposed as a framework to identify causal effects from observational data in the presence of hidden confounders for which proxies are available. In this paper, we extend the proximal causal approach to settings where identification of causal effects hinges upon a set of mediators which unfortunately are not directly observed, however proxies of the hidden mediators are measured. Specifically, we establish (i) a new hidden front-door criterion which extends the classical front-door result to allow for hidden mediators for which proxies are available; (ii) We extend causal mediation analysis to identify direct and indirect causal effects under unconfoundedness conditions in a setting where the mediator in view is hidden, but error prone proxies of the latter are available. We view (i) and (ii) as important steps towards the practical application of front-door criteria and mediation analysis as mediators are almost always error prone and thus, the most one can hope for in practice is that our measurements are at best proxies of mediating mechanisms. Finally, we show that identification of certain causal effects remains possible even in settings where challenges in (i) and (ii) might co-exist.
• Abstract（参考訳）: 近因果推論は、最近、プロキシが利用できる隠れた共同創設者の存在下で観察データから因果関係を識別するフレームワークとして提案されている。 本稿では,不運なことに直接観察されないメディエータの集合に因果効果の同定が引き起こされるような設定への近因果アプローチを拡張するが,隠蔽メディエータのプロキシを測定する。 具体的には i) プロキシが利用可能な隠された仲介者を許可するために、古典的な玄関結果を拡張する新しい隠された玄関基準 (II) 因果媒介分析を拡張して, 観察対象のメディエーターが隠蔽されている環境では, 直接的および間接的因果効果を識別するが, 後者のエラープロキシが利用可能である。 私たちは (i)および (II) メディアエーターとしての室内基準とメディエーション分析の実践的適用に向けた重要なステップは、ほとんど常にエラーを起こしやすいため、実際に期待できるのは、我々の測定が仲介機構の最高のプロキシであるということである。 最後に,特定の因果効果の同定は,課題のある場面においても可能であることを示す。 (i)および (二)共存する。

関連論文リスト

• Criticality and Safety Margins for Reinforcement Learning [53.10194953873209]
  我々は,定量化基盤真理とユーザにとっての明確な意義の両面から,批判的枠組みを定めようとしている。 エージェントがn連続的ランダム動作に対するポリシーから逸脱した場合の報酬の減少として真臨界を導入する。 我々はまた、真の臨界と統計的に単調な関係を持つ低オーバーヘッド計量であるプロキシ臨界の概念も導入する。
  論文  参考訳（メタデータ） (2024-09-26T21:00:45Z)
• Automating the Selection of Proxy Variables of Unmeasured Confounders [16.773841751009748]
  既存のプロキシ変数推定器を拡張して、治療と結果の間に複数の未測定の共同創設者が存在するシナリオに対応する。 本稿では、プロキシ変数の選択と因果効果の偏りのない推定のための2つのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:53:49Z)
• Sim-to-Real Causal Transfer: A Metric Learning Approach to Causally-Aware Interaction Representations [62.48505112245388]
  エージェント相互作用の現代的表現の因果認識を詳細に検討する。 近年の表現は、非因果剤の摂動に対して部分的に耐性があることが示されている。 因果アノテーションを用いた潜在表現を正規化するための計量学習手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T18:57:03Z)
• Partial Identification of Causal Effects Using Proxy Variables [19.23377338970307]
  近位因果推論は,非測定的共起の存在下での因果効果を評価するためのフレームワークとして最近提案されている。 本稿では,橋梁関数の完全性を必要としない部分的識別手法を提案する。
  論文  参考訳（メタデータ） (2023-04-10T04:18:27Z)
• Disentangled Representation for Causal Mediation Analysis [25.114619307838602]
  因果媒介分析(英: Causal mediation analysis)は、直接的および間接的な効果を明らかにするためにしばしば用いられる方法である。 深層学習はメディエーション分析において有望であるが、現在の手法では、治療、メディエーター、結果に同時に影響を及ぼす潜在的共同創設者のみを前提としている。 そこで本研究では,助成金の表現を3つのタイプに分けて,自然的直接効果,自然間接効果,および全効果を正確に推定する,ディスタングル・メディエーション分析変分自動エンコーダ(DMAVAE)を提案する。
  論文  参考訳（メタデータ） (2023-02-19T23:37:17Z)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [152.4519491244279]
  我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。 干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。 このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)
• Fairness and robustness in anti-causal prediction [73.693135253335]
  分散シフトと公平性に対するロバストさは、機械学習モデルに必要な2つの重要なデシラタとして独立に現れている。 これら2つのデシダラタは関連しているように見えるが、実際にはその関連性はしばしば不明である。 この観点から見れば、共通フェアネス基準(分離)とロバストネスの共通概念との明確な関係を描いています。
  論文  参考訳（メタデータ） (2022-09-20T02:41:17Z)
• Inferring Effect Ordering Without Causal Effect Estimation [1.6114012813668932]
  予測モデルは、広告、顧客の保持、パーソナライズドメディカルな医療など、様々な分野の介入をガイドするためにしばしば使用される。 本稿は,これらの予測モデルがどのように因果的に解釈できるのか,という問題に対処する。 直接因果効果を推定することなく, 直接因果効果を推定するのに十分な2つの仮定, 完全な潜時媒介と潜時単調性を定式化する。
  論文  参考訳（メタデータ） (2022-06-25T02:15:22Z)
• 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)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)

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。