論文の概要: Personalized Public Policy Analysis in Social Sciences using Causal-Graphical Normalizing Flows

• arxiv url: http://arxiv.org/abs/2202.03281v1
• Date: Mon, 7 Feb 2022 15:14:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 14:05:19.991281
• Title: Personalized Public Policy Analysis in Social Sciences using Causal-Graphical Normalizing Flows
• Title（参考訳）: 因果正規化フローを用いた社会科学における個人化公共政策分析
• Authors: Sourabh Balgi, Jose M. Pena, Adel Daoud
• Abstract要約: 構造方程式/因果モデル(SEMs/SCMs)は疫学や社会科学において平均治療効果(ATE)と条件ATE(CATE)を同定・解析するために広く用いられている。 Inverse Probability Weighting(IPW)やRegression-With-Residuals(RWR)といった従来の因果効果推定手法は、ATEとCATEを推定するために広く用いられている。 本稿では,パーソナライズされた公共政策分析(P$3$A)を容易にする因果正規化フロー(c-GNF)と命名する対物推論手法を開発する。
• 参考スコア（独自算出の注目度）: 0.1933681537640272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural Equation/Causal Models (SEMs/SCMs) are widely used in epidemiology and social sciences to identify and analyze the average treatment effect (ATE) and conditional ATE (CATE). Traditional causal effect estimation methods such as Inverse Probability Weighting (IPW) and more recently Regression-With-Residuals (RWR) are widely used - as they avoid the challenging task of identifying the SCM parameters - to estimate ATE and CATE. However, much work remains before traditional estimation methods can be used for counterfactual inference, and for the benefit of Personalized Public Policy Analysis (P$^3$A) in the social sciences. While doctors rely on personalized medicine to tailor treatments to patients in laboratory settings (relatively closed systems), P$^3$A draws inspiration from such tailoring but adapts it for open social systems. In this article, we develop a method for counterfactual inference that we name causal-Graphical Normalizing Flow (c-GNF), facilitating P$^3$A. First, we show how c-GNF captures the underlying SCM without making any assumption about functional forms. Second, we propose a novel dequantization trick to deal with discrete variables, which is a limitation of normalizing flows in general. Third, we demonstrate in experiments that c-GNF performs on-par with IPW and RWR in terms of bias and variance for estimating the ATE, when the true functional forms are known, and better when they are unknown. Fourth and most importantly, we conduct counterfactual inference with c-GNFs, demonstrating promising empirical performance. Because IPW and RWR, like other traditional methods, lack the capability of counterfactual inference, c-GNFs will likely play a major role in tailoring personalized treatment, facilitating P$^3$A, optimizing social interventions - in contrast to the current `one-size-fits-all' approach of existing methods.
• Abstract（参考訳）: 構造方程式/因果モデル(SEMs/SCMs)は疫学や社会科学において、平均治療効果(ATE)と条件ATE(CATE)を同定し分析するために広く用いられている。 逆確率重み付け (ipw) やより最近の回帰帰納法 (rwr) のような従来の因果効果推定法は、scmパラメータを識別する困難なタスクを避けるために広く使われている。 しかし、伝統的な推定手法が偽物推論や社会科学におけるパーソナライズされた公共政策分析(p$^3$a)の恩恵を受ける前には、多くの研究が残っている。 医師は、実験室(比較的閉じたシステム)で患者に治療を施すためにパーソナライズされた医療に頼っているが、p$^3$aはそのような調整からインスピレーションを得ているが、オープンな社会システムに適用できる。 本稿では, 因果正規化フロー (c-GNF) と命名し, P$^3$A を容易にする反実的推論手法を開発する。 まず、c-GNFが機能形式を仮定することなく、基礎となるSCMをどうやって捉えるかを示す。 第二に, 流れの正規化の限界である離散変数を扱うための新しい解量化手法を提案する。 第3に,c-GNF が IPW と RWR に対して,真の機能形式が分かっていれば ATE を推定するためのバイアスと分散の点において,かつ,それらが未知である場合の方が優れていることを示す実験を行った。 第4に,我々は,c-GNFの反実的推論を行い,有望な経験的性能を示す。 他の従来の方法と同様に、IPWとRWRは反ファクト的推論の能力を欠いているため、c-GNFはパーソナライズされた治療を調整し、P$^3$Aを促進し、社会的介入を最適化する上で大きな役割を果たす可能性が高い。

関連論文リスト

• Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
  ガウス過程 (GP) はフレキシブルな非線形回帰法である。 これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。 これは外挿または弱い重なり合いの条件下では特に有用である。
  論文  参考訳（メタデータ） (2024-07-15T05:09:50Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Deep Learning With DAGs [5.199807441687141]
  我々は、有向非巡回グラフ(DAG)として表される理論を実証的に評価するために、因果グラフ正規化フロー(cGNFs)を導入する。 従来のアプローチとは異なり、cGNFsはアナリストが提供したDAGに従ってデータの完全な関節分布をモデル化する。
  論文  参考訳（メタデータ） (2024-01-12T19:35:54Z)
• Targeted Machine Learning for Average Causal Effect Estimation Using the Front-Door Functional [3.0232957374216953]
  結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。 本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。 本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• The Conditional Prediction Function: A Novel Technique to Control False Discovery Rate for Complex Models [0.0]
  現状の機械学習予測モデルと組み合わせることができる条件付き予測関数(CPF)に基づくノックオフ統計を導入する。 CPF統計は、予測器と結果の間の非線形関係を捉えることができ、特徴間の相関も考慮できる。
  論文  参考訳（メタデータ） (2023-10-07T21:16:09Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
  デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。 患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。 患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-21T21:42:03Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
  本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
  論文  参考訳（メタデータ） (2021-12-01T23:15:09Z)
• Causal Collaborative Filtering [50.22155187512759]
  Causal Collaborative Filteringは、協調フィルタリングとレコメンデーションにおける因果関係をモデル化するためのフレームワークである。 従来のCFアルゴリズムの多くは、単純化された因果グラフの下で、実際にCCFの特殊なケースであることを示す。 そこで我々は,$do$-operationに対する条件付き介入手法を提案する。
  論文  参考訳（メタデータ） (2021-02-03T04:16:11Z)
• Uncertainty quantification using martingales for misspecified Gaussian processes [52.22233158357913]
  本稿では,ガウス過程(GP)の不確定な定量化を,不特定先行条件下で解決する。 マルティンゲール法を用いて未知関数に対する信頼シーケンス(CS)を構築する。 我々のCSは統計的に有効であり、実証的に標準GP法より優れています。
  論文  参考訳（メタデータ） (2020-06-12T17:58:59Z)

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。