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
- On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - 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) - Sample and Predict Your Latent: Modality-free Sequential Disentanglement
via Contrastive Estimation [2.7759072740347017]
外部信号のないコントラスト推定に基づく自己教師付きシーケンシャル・アンタングルメント・フレームワークを提案する。
実際に,データのセマンティックに類似し,異種なビューに対して,統一的で効率的かつ容易にサンプリングできる手法を提案する。
提案手法は,既存の手法と比較して最先端の結果を示す。
論文 参考訳（メタデータ） (2023-05-25T10:50:30Z) - 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) - 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) - Sequential Causal Effect Variational Autoencoder: Time Series Causal
Link Estimation under Hidden Confounding [8.330791157878137]
観測データから因果関係を推定すると、因果関係は因果関係と誤解されることがある。
本研究では,シークエンシャル因果効果変動オートエンコーダ (SCEVAE) を提案する。
論文 参考訳（メタデータ） (2022-09-23T09:43:58Z) - 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) - High-recall causal discovery for autocorrelated time series with latent
confounders [12.995632804090198]
本稿では,FCIや変種などの既存の因果発見手法が,自己相関時系列の場合,低リコールに悩まされていることを示す。
シミュレーション研究に関わるすべてのメソッドに対してPythonコードを提供します。
論文 参考訳（メタデータ） (2020-07-03T18:01:04Z) - 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) - MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent
Variable Models [14.173184309520453]
因果推論の最先端の手法は、欠落した値を考慮していない。
欠落したデータは、適応された未確立仮説を必要とする。
欠落した値に適応した変分オートエンコーダを通じて分布を学習する潜在的共同設立者について考察する。
論文 参考訳（メタデータ） (2020-02-25T12:58:07Z)
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。