論文の概要: Ancestral instrument method for causal inference without a causal graph

• arxiv url: http://arxiv.org/abs/2201.03810v1
• Date: Tue, 11 Jan 2022 07:02:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 14:20:51.401154
• Title: Ancestral instrument method for causal inference without a causal graph
• Title（参考訳）: 因果グラフのない因果推論のためのアンセストラル法
• Authors: Debo Cheng (1) and Jiuyong Li (1) and Lin Liu (1) and Jiji Zhang (2) and Thuc duy Le (1) and Jixue Liu (1) ((1) STEM, University of South Australia, Adelaide, SA, Australia, (2) Department of Religion and Philosophy, Hong Kong Baptist University, Hong Kong, China)
• Abstract要約: 条件IVは、観測変数の集合を条件付けすることで標準IVの要求を緩和するために提案されている。 本稿では, MAG の祖先 IV の新たなタイプの IV について提案し, MAG の祖先 IV の条件付けセットをデータ駆動で発見する理論を立案する。 本研究では、MAGおよび観測データにおける祖先IVを用いた因果効果推定アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unobserved confounding is the main obstacle to causal effect estimation from observational data. Instrumental variables (IVs) are widely used for causal effect estimation when there exist latent confounders. With the standard IV method, when a given IV is valid, unbiased estimation can be obtained, but the validity requirement of standard IV is strict and untestable. Conditional IV has been proposed to relax the requirement of standard IV by conditioning on a set of observed variables (known as a conditioning set for a conditional IV). However, the criterion for finding a conditioning set for a conditional IV needs complete causal structure knowledge or a directed acyclic graph (DAG) representing the causal relationships of both observed and unobserved variables. This makes it impossible to discover a conditioning set directly from data. In this paper, by leveraging maximal ancestral graphs (MAGs) in causal inference with latent variables, we propose a new type of IV, ancestral IV in MAG, and develop the theory to support data-driven discovery of the conditioning set for a given ancestral IV in MAG. Based on the theory, we develop an algorithm for unbiased causal effect estimation with an ancestral IV in MAG and observational data. Extensive experiments on synthetic and real-world datasets have demonstrated the performance of the algorithm in comparison with existing IV methods.
• Abstract（参考訳）: 観測データから因果効果を推定する主な障害は、観測不能な共起である。 インストゥルメンタル変数(ivs)は潜在共同創設者が存在する場合の因果効果推定に広く使われている。 標準 iv 法では、与えられた iv が有効であれば、偏りのない推定が得られるが、標準 iv の妥当性要件は厳格で検証不可能である。 条件IVは、観測変数の集合(条件IVの条件集合として知られる)を条件付けすることで標準IVの要求を緩和するために提案されている。 しかし、条件付きivの条件付き集合を見つけるための基準は、観測変数と観測変数の両方の因果関係を表す完全な因果構造知識または有向非巡回グラフ(dag)が必要である。 これにより、データから直接条件セットを見つけることが不可能になる。 本稿では,潜在変数を用いた因果推論において最大祖先グラフ(mags)を活用し,magにおける新しいタイプのiv, ancestral ivを提案し,magにおける所定の祖先ivの条件付け集合をデータ駆動的に発見する理論を考案する。 この理論に基づいて,マグおよび観測データにおける祖先ivを用いた非バイアス因果効果推定アルゴリズムを開発した。 合成および実世界のデータセットに関する大規模な実験は、既存のIV法と比較してアルゴリズムの性能を実証した。

関連論文リスト

• Estimating Heterogeneous Treatment Effects by Combining Weak Instruments and Observational Data [44.31792000298105]
  病状平均治療効果(CATE)の正確な予測は、パーソナライズされた医療とデジタルプラットフォーム分析において重要である。 我々は,信頼性の高いCATE推定を実現するために,IVと観測データを組み合わせた新しい手法を開発した。
  論文  参考訳（メタデータ） (2024-06-10T16:40:55Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Regularized DeepIV with Model Selection [72.17508967124081]
  正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。 我々の手法は現在の最先端の収束率と一致している。
  論文  参考訳（メタデータ） (2024-03-07T05:38:56Z)
• Conditional Instrumental Variable Regression with Representation Learning for Causal Inference [20.454641170078812]
  本稿では,観測データから因果効果を推定する上での課題について考察する。 本稿では,非保守的共同設立者からの共起バイアスを解消し,観察された共同設立者のバランスをとるために,共起バランス表現学習(CBRL.CIV)による非線形回帰を提案する。
  論文  参考訳（メタデータ） (2023-10-03T08:08:09Z)
• Learning Conditional Instrumental Variable Representation for Causal Effect Estimation [20.546911588972737]
  因果効果推定のための条件セットとCIVの表現を学習・拡張するための新しい手法DVAE.CIVを提案する。
  論文  参考訳（メタデータ） (2023-06-21T02:27:15Z)
• Causal Inference with Conditional Instruments using Deep Generative Models [21.771832598942677]
  標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。 変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。 平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:31:54Z)
• Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data [0.0]
  測定変数(IV)は、観察データから興味の結果に対する治療の因果効果を推定するための強力なアプローチである。 既存のIV法は、IVが選択され、ドメイン知識で正当化されることを要求する。 本稿では,データから有効なIVを発見するためのデータ駆動アルゴリズムについて,軽度な仮定で検討・設計する。
  論文  参考訳（メタデータ） (2022-06-04T07:48:13Z)
• Auto IV: Counterfactual Prediction via Automatic Instrumental Variable Decomposition [21.90157954233519]
  計器変数(IV)は、観測されていない共同設立者と因果推論において重要な役割を果たす。 既存のIVベースの対実予測法では、適切に定義されたIVが必要である。 観測変数からIVの役割を果たす表現を自動的に生成する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-07-13T07:30:21Z)
• Instrumental Variable Value Iteration for Causal Offline Reinforcement Learning [107.70165026669308]
  オフライン強化学習(RL)では、事前収集された観測データのみから最適なポリシーが学習される。 遷移力学が加法的非線形汎関数形式を持つようなマルコフ決定過程について検討する。 そこで本稿では,条件付きモーメント制限の原始的2次元再構成に基づく,証明可能なIVVIアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-19T13:01:40Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。