論文の概要: Causal Network Influence with Latent Homophily and Measurement Error: An Application to Therapeutic Community

• arxiv url: http://arxiv.org/abs/2203.14223v1
• Date: Sun, 27 Mar 2022 06:47:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 16:36:40.368236
• Title: Causal Network Influence with Latent Homophily and Measurement Error: An Application to Therapeutic Community
• Title（参考訳）: 遅延ホモフィリーと測定誤差による因果ネットワークの影響:治療コミュニティへの応用
• Authors: Subhadeep Paul, Shanjukta Nath, Keith Warren
• Abstract要約: 多くの著者は、ホモフィリーの存在により、テクスティカルネットワークの影響や感染は観測データから特定できないと指摘している。 因果感染と文脈的影響を識別するために,ネットワーク応答に対する遅延的ホモフィリ調整空間自己回帰モデルを提案する。
• 参考スコア（独自算出の注目度）: 1.7188280334580197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Spatial or Network Autoregressive model (SAR, NAM) is popular for modeling the influence network connected neighbors exert on the outcome of individuals. However, many authors have noted that the \textit{causal} network influence or contagion cannot be identified from observational data due to the presence of homophily. We propose a latent homophily-adjusted spatial autoregressive model for networked responses to identify the causal contagion and contextual effects. The latent homophily is estimated from the spectral embedding of the network's adjacency matrix. Separately, we develop maximum likelihood estimators for the parameters of the SAR model correcting for measurement error when covariates are measured with error. We show that the bias corrected MLE are consistent and derive its asymptotic limiting distribution. We propose to estimate network influence using the bias corrected MLE in a SAR model with the estimated latent homophily added as a covariate. Our simulations show that the methods perform well in finite sample. We apply our methodology to a data-set of female criminal offenders in a therapeutic community (TC) for substance abuse and criminal behavior. We provide causal estimates of network influence on graduation from TC and re-incarceration after accounting for latent homophily.
• Abstract（参考訳）: 空間的あるいはネットワーク自己回帰モデル(sar, nam)は、ネットワークに接続された隣人が個人の結果に影響を及ぼす影響をモデル化するのによく用いられる。 しかし、多くの著者は、ホモフィリーの存在により、観測データから \textit{causal} ネットワークの影響や感染は特定できないと指摘している。 本稿では,ネットワーク応答に対する潜在ホモフィア調整空間自己回帰モデルを提案し,因果感染と文脈効果を同定する。 潜在ホモフィリーは、ネットワークの隣接行列のスペクトル埋め込みから推定される。 また,共変量と誤差を測る際の測定誤差を補正するSARモデルのパラメータの最大推定器を開発した。 バイアス補正されたMLEは整合性を示し,その漸近的制限分布を導出する。 SARモデルにおけるバイアス補正MLEを用いてネットワークの影響を推定し,共変量として潜在性ホモフィリーを推定する。 シミュレーションの結果, 有限サンプルの場合, 手法が良好であることが判明した。 本手法は,薬物乱用と犯罪行動に対する治療コミュニティ(tc)における女性犯罪者のデータセットに適用する。 我々は,tcの卒業および潜在性相同性を考慮した再受刑におけるネットワークの影響を因果的に見積もる。

関連論文リスト

• 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)
• Contagion Effect Estimation Using Proximal Embeddings [17.483428990993744]
  感染効果は、ソーシャルネットワークにおける個人の結果に対する仲間の行動の因果効果を指す。 既存のプロキシベースの感染効果推定法は、プロキシが高次元である場合、非常に高いばらつきを持つ。 本稿では,変分オートエンコーダと対向ネットワークを統合した新しいフレームワーク Proximal Embeddings (ProEmb) を提案する。
  論文  参考訳（メタデータ） (2023-06-04T20:55:13Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Using Embeddings for Causal Estimation of Peer Influence in Social Networks [12.971519813535734]
  我々は、ピア感染効果を推定するために観測データを使用するという問題に対処する。 この効果の同定と推定に組込み法をどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2022-05-17T00:22:56Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Undersmoothing Causal Estimators with Generative Trees [0.0]
  観察データから個別に治療効果を推定することで、標的となる介入の可能性を解き放つことができる。 しかし、観測データからこれらの効果を推測することは困難である。 本稿では,モデルの不特定に対処する新しい生成木に基づくアプローチについて検討する。
  論文  参考訳（メタデータ） (2022-03-16T11:59:38Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• Plinko: A Theory-Free Behavioral Measure of Priors for Statistical Learning and Mental Model Updating [62.997667081978825]
  Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。 対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。 我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
  論文  参考訳（メタデータ） (2021-07-23T22:27:30Z)
• Causal Inference Struggles with Agency on Online Platforms [32.81856583026165]
  ユーザの自己選択から導かれる観察研究の有効性を評価することを目的として,Twitter上で4つの大規模内部スタディ比較を行った。 この結果から,ユーザの自己選択から導かれる観察研究は,オンラインプラットフォーム上でのランダム化実験の代替手段として不十分であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-19T16:14:00Z)

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。