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
- Missed Causes and Ambiguous Effects: Counterfactuals Pose Challenges for Interpreting Neural Networks [14.407025310553225]
解釈可能性の研究は、当然のことながら因果関係の反事実理論を採っている。
反事実理論は、我々の発見を具体的かつ予測可能な方法でバイアスする問題を持っている。
本稿では,これらの課題が解釈可能性研究者に与える影響について論じる。
論文 参考訳(メタデータ) (2024-07-05T17:53:03Z) - Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。
我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。
我々は、理論的な主張を合成データ実験で裏付ける。
論文 参考訳(メタデータ) (2024-06-01T18:01:03Z) - Research on Personal Credit Risk Assessment Methods Based on Causal Inference [6.184711584674839]
本稿では、1945年にサミュエル・アイレンバーグとサンダース・マクレーンによって提唱された圏論を用いた因果関係の新しい定義を紹介する。
カテゴリー理論関連技術ツールの開発に限界があるため、1995年にジュデア・パールが提唱した広く使われている確率因果グラフツールを採用する。
論文 参考訳(メタデータ) (2024-03-17T13:34:45Z) - 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) - Targeted Reduction of Causal Models [55.11778726095353]
因果表現学習(Causal Representation Learning)は、シミュレーションで解釈可能な因果パターンを明らかにするための有望な道を提供する。
本稿では、複雑な相互作用可能なモデルを因果因子の簡潔な集合に凝縮する方法であるTCR(Targeted Causal Reduction)を紹介する。
複雑なモデルから解釈可能な高レベルな説明を生成する能力は、玩具や機械システムで実証されている。
論文 参考訳(メタデータ) (2023-11-30T15:46:22Z) - 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) - 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) - 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)
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。