論文の概要: Sparse Synthetic Controls

• arxiv url: http://arxiv.org/abs/2203.11576v1
• Date: Tue, 22 Mar 2022 09:54:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 23:39:12.808496
• Title: Sparse Synthetic Controls
• Title（参考訳）: スパース合成制御
• Authors: Jaume Vives-i-Bastida
• Abstract要約: 提案したスパース合成制御は, 処理前の適合性を向上し, 最も重要な予測器を選択するために, 偽物生成に使用する予測器の数をペナライズする。 スパース合成制御は, 未処理の合成制御よりも低バイアスであり, 処理後の適合性が良好であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a new penalized synthetic control method for policy evaluation. The proposed sparse synthetic control penalizes the number of predictors used in generating the counterfactual to improve pre-treatment fit and select the most important predictors. To motivate the method theoretically I derive, in a linear factor model framework, a model selection consistency result and a mean squared error convergence rate result. Through a simulation study, I then show that the sparse synthetic control achieves lower bias and has better post-treatment fit than the unpenalized synthetic control. Finally, I apply the method to study the effects of the passage of Proposition 99 in California in a setting with a large number of predictors.
• Abstract（参考訳）: 本稿では,政策評価のための新しいペナライズド合成制御法を提案する。 提案するスパース合成制御は, 予測器の数をペナルティ化し, 処理前適合性を改善し, 最も重要な予測器を選択する。 線形因子モデルフレームワークにおいて、モデル選択一貫性結果と平均二乗誤差収束率結果とを理論的に導出する。 シミュレーション実験により, スパース合成制御は低バイアスであり, 未処理の合成制御よりも処理後適合性が高いことがわかった。 最後に,カリフォルニア州における命題99の成立の影響を,多くの予測者で検討するために,この手法を適用した。

関連論文リスト

• Optimizing Probabilistic Conformal Prediction with Vectorized Non-Conformity Scores [6.059745771017814]
  本研究では,まず非整合性スコアをランク付きサンプルでベクトル化し,次に同じランクのサンプルに対して定量値を変化させることで,予測値の形状を最適化することにより,効率を向上させる新しいフレームワークを提案する。 提案手法は,不連続かつ効率的な予測セットを生成しながら,有効なカバレッジを提供する。
  論文  参考訳（メタデータ） (2024-10-17T16:37:03Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• A Pseudo-Semantic Loss for Autoregressive Models with Logical Constraints [87.08677547257733]
  ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。 本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。 また,スドクと最短経路予測の手法を自己回帰世代として評価した。
  論文  参考訳（メタデータ） (2023-12-06T20:58:07Z)
• Synthetic Control As Online Linear Regression [0.0]
  我々はFTL(Follow-The-Leader)の例として合成制御を認識する 差分データに対する合成制御は、オラクル重み付き差分差分とほぼ同等に動作する。
  論文  参考訳（メタデータ） (2022-02-17T03:10:12Z)
• LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
  LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
  論文  参考訳（メタデータ） (2021-03-19T13:10:47Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• On Model Identification and Out-of-Sample Prediction of Principal Component Regression: Applications to Synthetic Controls [20.96904429337912]
  固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。 我々は、最もよく知られたレートで改善される非漸近的なアウト・オブ・サンプル予測の保証を確立する。
  論文  参考訳（メタデータ） (2020-10-27T17:07:36Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Improved Preterm Prediction Based on Optimized Synthetic Sampling of EHG Signal [3.0625456792807424]
  子宮収縮と電気活動の相互関係は、子宮電気ヒステグラム(EHG)を早期発見と予測のための有望な方向へと導く。 EHGシグナルの不足、特に短期患者の信号の不足により、合成アルゴリズムを適用して、事前型の人工的なサンプルを作成する。
  論文  参考訳（メタデータ） (2020-07-03T01:12:31Z)
• Adaptive Correlated Monte Carlo for Contextual Categorical Sequence Generation [77.7420231319632]
  我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。 また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
  論文  参考訳（メタデータ） (2019-12-31T03:01:55Z)

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。