論文の概要: A Causal Research Pipeline and Tutorial for Psychologists and Social
Scientists
- arxiv url: http://arxiv.org/abs/2206.05175v1
- Date: Fri, 10 Jun 2022 15:11:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 14:55:44.886827
- Title: A Causal Research Pipeline and Tutorial for Psychologists and Social
Scientists
- Title(参考訳): 心理学者・社会科学者のための因果研究パイプラインとチュートリアル
- Authors: Matthew J. Vowels
- Abstract要約: 因果関係は世界を理解する科学的努力の基本的な部分である。
残念なことに、因果関係は心理学や社会科学の多くの分野においていまだに曖昧である。
研究に因果的アプローチを採用することの重要性に対する多くの勧告によって、我々は、必然的に因果的理論を研究パイプラインの他の部分と調和させるために、心理学における研究の典型的なアプローチを再構築する。
- 参考スコア(独自算出の注目度): 7.106986689736828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causality is a fundamental part of the scientific endeavour to understand the
world. Unfortunately, causality is still taboo in much of psychology and social
science. Motivated by a growing number of recommendations for the importance of
adopting causal approaches to research, we reformulate the typical approach to
research in psychology to harmonize inevitably causal theories with the rest of
the research pipeline. We present a new process which begins with the
incorporation of techniques from the confluence of causal discovery and machine
learning for the development, validation, and transparent formal specification
of theories. We then present methods for reducing the complexity of the fully
specified theoretical model into the fundamental submodel relevant to a given
target hypothesis. From here, we establish whether or not the quantity of
interest is estimable from the data, and if so, propose the use of
semi-parametric machine learning methods for the estimation of causal effects.
The overall goal is the presentation of a new research pipeline which can (a)
facilitate scientific inquiry compatible with the desire to test causal
theories (b) encourage transparent representation of our theories as
unambiguous mathematical objects, (c) to tie our statistical models to specific
attributes of the theory, thus reducing under-specification problems frequently
resulting from the theory-to-model gap, and (d) to yield results and estimates
which are causally meaningful and reproducible. The process is demonstrated
through didactic examples with real-world data, and we conclude with a summary
and discussion of limitations.
- Abstract(参考訳): 因果関係は世界を理解する科学的努力の基本的な部分である。
残念ながら、因果関係は依然として心理学や社会科学の多くにおいてタブーである。
研究に因果的アプローチを採用することの重要性に関する勧告が増えていることに動機づけられ、必然的に因果的理論と研究パイプラインの他の部分とを調和させるために心理学研究の典型的なアプローチを再構成する。
本稿では,理論の発展,検証,透過的形式化のための因果的発見と機械学習の融合による手法の導入から始まった新しいプロセスを提案する。
次に、与えられた対象仮説に関連する基本部分モデルに完全特定理論モデルの複雑性を還元する手法を提案する。
そこで本研究では,データから興味度が推定可能であるか否かを確定し,その場合,半パラメトリック機械学習手法を用いて因果効果を推定する手法を提案する。
全体的な目標は、新しい研究パイプラインを提供することだ。
(a)因果論を試したいという願望に相応しい科学的調査を促進する
b)我々の理論を曖昧な数学的対象として透明に表現することを奨励する。
(c) 統計モデルと理論の特定の属性を結びつけることにより、理論とモデル間のギャップからしばしば生じる過度な特異化問題を減らし、
(d)因果的に有意義で再現可能な結果や見積もりを得る。
このプロセスは実世界のデータを使ったディダクティックな例を通じて実演され、制約の要約と議論で締めくくられる。
関連論文リスト
- 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) - Neural Causal Abstractions [63.21695740637627]
我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。
本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。
本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
論文 参考訳(メタデータ) (2024-01-05T02:00:27Z) - A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。
オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
論文 参考訳(メタデータ) (2023-11-13T01:48:08Z) - Inferring physical laws by artificial intelligence based causal models [3.333770856102642]
本稿では,相関関係を認識し,カジュアルな関係をもたらす物理原理の因果学習モデルを提案する。
本手法は,データ間の関係を把握できるだけでなく,変数間の因果関係を正しく把握できることを示す。
論文 参考訳(メタデータ) (2023-09-08T01:50:32Z) - Causal reasoning in typical computer vision tasks [11.95181390654463]
因果理論は、データバイアスの影響を受けない本質的な因果構造をモデル化し、突発的な相関を避けるのに有効である。
本稿では,一般的な視覚・視覚言語タスクにおける既存の因果的手法(セグメンテーション,オブジェクト検出,画像キャプションなど)を包括的にレビューすることを目的とする。
今後のロードマップも提案され、因果論の開発と他の複雑なシーンやシステムへの応用が促進される。
論文 参考訳(メタデータ) (2023-07-26T07:01:57Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳(メタデータ) (2023-06-07T21:35:26Z) - The worst of both worlds: A comparative analysis of errors in learning
from data in psychology and machine learning [17.336655978572583]
機械学習(ML)が誤診や複製の危機に直面しているという最近の懸念は、ML研究で公表された主張の一部が対面価値で評価できないことを示唆している。
教師付きMLにおける研究の関心事は、実験科学における複製危機と共通している。
論文 参考訳(メタデータ) (2022-03-12T18:26:24Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳(メタデータ) (2021-03-26T02:42:38Z) - 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) - Uncovering the Data-Related Limits of Human Reasoning Research: An
Analysis based on Recommender Systems [1.7478203318226309]
認知科学は、理論駆動の観点から人間のような知性をモデル化する目的を追求している。
ソロジック推論は人間の推論研究のコアドメインの1つである。
最近のモデルの性能予測の結果、改善の停滞が明らかになった。
論文 参考訳(メタデータ) (2020-03-11T10:12:35Z)
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。