論文の概要: Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis

• arxiv url: http://arxiv.org/abs/2201.08343v1
• Date: Thu, 20 Jan 2022 18:23:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-21 14:31:31.841484
• Title: Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis
• Title（参考訳）: 機械学習を用いたコンジョイント解析における因果仮説の検証
• Authors: Dae Woong Ham, Kosuke Imai, Lucas Janson
• Abstract要約: 本研究では,条件付きランダム化テストに基づく新しい仮説テスト手法を提案する。 我々の手法は単に因子のランダム化にのみ基づき、従って仮定は不要である。
• 参考スコア（独自算出の注目度）: 5.064097093575691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conjoint analysis is a popular experimental design used to measure multidimensional preferences. Researchers examine how varying a factor of interest, while controlling for other relevant factors, influences decision-making. Currently, there exist two methodological approaches to analyzing data from a conjoint experiment. The first focuses on estimating the average marginal effects of each factor while averaging over the other factors. Although this allows for straightforward design-based estimation, the results critically depend on the distribution of other factors and how interaction effects are aggregated. An alternative model-based approach can compute various quantities of interest, but requires researchers to correctly specify the model, a challenging task for conjoint analysis with many factors and possible interactions. In addition, a commonly used logistic regression has poor statistical properties even with a moderate number of factors when incorporating interactions. We propose a new hypothesis testing approach based on the conditional randomization test to answer the most fundamental question of conjoint analysis: Does a factor of interest matter {\it in any way} given the other factors? Our methodology is solely based on the randomization of factors, and hence is free from assumptions. Yet, it allows researchers to use any test statistic, including those based on complex machine learning algorithms. As a result, we are able to combine the strengths of the existing design-based and model-based approaches. We illustrate the proposed methodology through conjoint analysis of immigration preferences and political candidate evaluation. We also extend the proposed approach to test for regularity assumptions commonly used in conjoint analysis.
• Abstract（参考訳）: コンジョイント分析は多次元の嗜好を測定するために使われる一般的な実験設計である。 研究者は、他の関連する要因をコントロールしながら、関心の要因がどの程度変化するかを調べます。 現在、コンジョイント実験からデータを分析するための方法論的アプローチが2つ存在する。 第一は、各因子の平均限界効果を推定し、他の因子を平均化することに焦点を当てる。 これは設計に基づく直接的な推定を可能にするが、結果は他の要因の分布と相互作用効果の集約方法に批判的に依存する。 代替モデルに基づくアプローチは、様々な関心事を計算することができるが、研究者はモデルを正しく特定する必要がある。 加えて、一般に使われるロジスティック回帰は、相互作用を組み込む際に、適度な要素の数であっても統計的な性質が乏しい。 コンジョイント分析の最も基本的な問題に答えるために,条件付きランダム化テストに基づく新しい仮説テスト手法を提案する。 我々の方法論は因子のランダム化のみに基づいており、従って仮定から自由である。 しかし、複雑な機械学習アルゴリズムに基づくものを含め、研究者はあらゆるテスト統計を利用できる。 その結果、既存の設計ベースとモデルベースのアプローチの強みを組み合わせることが出来ます。 提案手法は,移民選好と政治候補評価のコンジョイント分析を通じて示す。 また、共役解析でよく用いられる正則性仮定をテストするための提案手法も拡張する。

関連論文リスト

• Globally-Optimal Greedy Experiment Selection for Active Sequential Estimation [1.1530723302736279]
  逐次的に収集したデータの実験を適応的に選択するアクティブシーケンシャル推定の問題について検討する。 目標は、より正確なモデル推定のための実験選択ルールを設計することである。 そこで本稿では,グリーディ実験の選択手法のクラスを提案し,最大可能性の統計的解析を行う。
  論文  参考訳（メタデータ） (2024-02-13T17:09:29Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• A Multiple kernel testing procedure for non-proportional hazards in factorial designs [4.358626952482687]
  本稿では,複数の因子が同時に興味を持つ場合の生存率を推定するマルチカーネルテスト手法を提案する。 我々の手法は複雑なデータを扱うことができ、比例性のような仮定を正当化できない場合、全正規の Cox モデルに代わるものとして見ることができる。
  論文  参考訳（メタデータ） (2022-06-15T01:53:49Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Similarities and Differences between Machine Learning and Traditional Advanced Statistical Modeling in Healthcare Analytics [0.6999740786886537]
  機械学習と統計モデリングは、同様の数学的原理に基づいて補完的である。 優れたアナリストとデータサイエンティストは、技術と適切な応用の両方に精通しているべきです。
  論文  参考訳（メタデータ） (2022-01-07T14:36:46Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• A Causal Direction Test for Heterogeneous Populations [10.653162005300608]
  ほとんどの因果モデルでは、単一の同質な集団を仮定するが、これは多くの応用において成り立たない仮定である。 等質性仮定に違反した場合、そのような仮定に基づいて開発された因果モデルが正しい因果方向を識別できないことを示す。 我々は,$k$-means型クラスタリングアルゴリズムを用いて,一般的な因果方向検定統計量の調整を提案する。
  論文  参考訳（メタデータ） (2020-06-08T18:59:14Z)
• Marginal likelihood computation for model selection and hypothesis testing: an extensive review [66.37504201165159]
  この記事では、このトピックの最先端に関する総合的な研究について紹介する。 さまざまなテクニックの制限、メリット、コネクション、差異を強調します。 また、不適切な事前利用の問題や解決法についても述べる。
  論文  参考訳（メタデータ） (2020-05-17T18:31:58Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)
• A Survey on Causal Inference [64.45536158710014]
  因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
  論文  参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。