論文の概要: Identifying Causal Effects using Instrumental Time Series: Nuisance IV
and Correcting for the Past
- arxiv url: http://arxiv.org/abs/2203.06056v1
- Date: Fri, 11 Mar 2022 16:29:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 14:38:02.752591
- Title: Identifying Causal Effects using Instrumental Time Series: Nuisance IV
and Correcting for the Past
- Title(参考訳): インストゥルメンタル時系列を用いた因果効果の同定 : ニュアサンスivと過去の修正
- Authors: Nikolaj Thams and Rikke S{\o}ndergaard and Sebastian Weichwald and
Jonas Peters
- Abstract要約: 機器変数(IV)回帰は観測データから因果効果を推定するための機器に依存している。
ベクトル自己回帰(VAR)プロセスのような時系列モデルにおけるIV回帰を考察する。
提案手法は, それらの一貫性を証明し, 分布一般化において, 推定因果効果をどのように利用できるかを示す。
- 参考スコア(独自算出の注目度): 6.460107804572554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Instrumental variable (IV) regression relies on instruments to infer causal
effects from observational data with unobserved confounding. We consider IV
regression in time series models, such as vector auto-regressive (VAR)
processes. Direct applications of i.i.d. techniques are generally inconsistent
as they do not correctly adjust for dependencies in the past. In this paper, we
propose methodology for constructing identifying equations that can be used for
consistently estimating causal effects. To do so, we develop nuisance IV, which
can be of interest even in the i.i.d. case, as it generalizes existing IV
methods. We further propose a graph marginalization framework that allows us to
apply nuisance and other IV methods in a principled way to time series. Our
framework builds on the global Markov property, which we prove holds for VAR
processes. For VAR(1) processes, we prove identifiability conditions that
relate to Jordan forms and are different from the well-known rank conditions in
the i.i.d. case (they do not require as many instruments as covariates, for
example). We provide methods, prove their consistency, and show how the
inferred causal effect can be used for distribution generalization. Simulation
experiments corroborate our theoretical results. We provide ready-to-use Python
code.
- Abstract(参考訳): 機器変数(IV)回帰は観測データから因果効果を推定するための機器に依存している。
ベクトル自己回帰(VAR)プロセスのような時系列モデルにおけるIV回帰を考察する。
i.d.テクニックの直接的な適用は、過去に依存性を正しく調整しなかったため、一般的に矛盾する。
本稿では,因果効果を一貫した推定に使用できる方程式を同定する手法を提案する。
そのため、既存のIV 法を一般化するため、i.d.の場合においても興味のあるニュアンス IV を開発する。
さらに,時間列に基本的手法でニュアンスや他のIV手法を適用可能なグラフ境界化フレームワークを提案する。
我々のフレームワークはグローバルなMarkovプロパティの上に構築されています。
VAR(1) プロセスでは、ヨルダン形式に関連する識別可能性条件を証明し、i.d.の場合のよく知られたランク条件と異なる(例えば、共変量ほど多くの楽器を必要としない)。
提案手法は, それらの一貫性を証明し, 分布一般化に推定因果効果をどのように利用できるかを示す。
シミュレーション実験は我々の理論結果を裏付ける。
使用可能なPythonコードを提供します。
関連論文リスト
- 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) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Sequential Kernelized Independence Testing [101.22966794822084]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳(メタデータ) (2022-12-14T18:08:42Z) - Instrumental Variables in Causal Inference and Machine Learning: A
Survey [26.678154268037595]
因果推論(英: Causal inference)とは、データに基づく変数間の因果関係に関する結論を引き出すために仮定を用いる過程である。
因果推論と機械学習の両分野における増大する文献は、計測変数(IV)の使用を提案する
本論文は、因果推論と機械学習の両方において、IV法とその応用を体系的かつ包括的に導入し、議論する最初の試みである。
論文 参考訳(メタデータ) (2022-12-12T08:59:04Z) - 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) - Deep Counterfactual Estimation with Categorical Background Variables [3.04585143845864]
カウンターファクトクエリは通常、振り返りに"What if?"を問う。
連続的な観測から反事実を推測する新しい手法であるCFQP(CounterFactual Query Prediction)を導入する。
提案手法は,従来利用可能なディープラーニング手法よりも優れていた。
論文 参考訳(メタデータ) (2022-10-11T22:27:11Z) - Estimating individual treatment effects under unobserved confounding
using binary instruments [21.563820572163337]
個別治療効果(ITE)を観察データから推定することは、パーソナライズドメディカル(パーソナライズドメディカル)など多くの分野において重要である。
本稿では,バイナリIVを用いてITTを推定するための,MRIVと呼ばれる新しい多元的頑健な機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-08-17T21:25:09Z) - Ancestral Instrument Method for Causal Inference without Complete
Knowledge [0.0]
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。
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。
本研究では,祖先IVと観測データを用いた因果効果推定アルゴリズムを開発した。
論文 参考訳(メタデータ) (2022-01-11T07:02:16Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - Instrumental Variable Value Iteration for Causal Offline Reinforcement
Learning [94.70124304098469]
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を学習する。
我々は、遷移力学が加法非線形関数形式を認める連結マルコフ決定過程について研究する。
本稿では,CMRの一次二重改質に基づくIV-aided Value Iteration (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) - Evaluating Explainable AI: Which Algorithmic Explanations Help Users
Predict Model Behavior? [97.77183117452235]
我々は、モデル解釈性に対するアルゴリズム的説明の影響を分離するために、人体テストを実施している。
方法の有効性の明確な証拠はごく少数にみえる。
以上の結果から,説明がシミュラビリティにどのように影響するかの信頼性と包括的評価が得られた。
論文 参考訳(メタデータ) (2020-05-04T20:35:17Z)
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。