論文の概要: Causal Inference with Treatment Measurement Error: A Nonparametric
Instrumental Variable Approach
- arxiv url: http://arxiv.org/abs/2206.09186v1
- Date: Sat, 18 Jun 2022 11:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 05:15:29.966961
- Title: Causal Inference with Treatment Measurement Error: A Nonparametric
Instrumental Variable Approach
- Title（参考訳）: 測定誤差を考慮した因果推論:非パラメトリック機器可変アプローチ
- Authors: Yuchen Zhu, Limor Gultchin, Arthur Gretton, Matt Kusner, Ricardo Silva
- Abstract要約: 原因が誤りである場合の因果効果に対するカーネルベースの非パラメトリック推定器を提案する。
提案手法であるMEKIVは,測定誤差の強度変化の下で,ベースラインを改良し,頑健であることを示す。
- 参考スコア（独自算出の注目度）: 24.52459180982653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a kernel-based nonparametric estimator for the causal effect when
the cause is corrupted by error. We do so by generalizing estimation in the
instrumental variable setting. Despite significant work on regression with
measurement error, additionally handling unobserved confounding in the
continuous setting is non-trivial: we have seen little prior work. As a
by-product of our investigation, we clarify a connection between mean
embeddings and characteristic functions, and how learning one simultaneously
allows one to learn the other. This opens the way for kernel method research to
leverage existing results in characteristic function estimation. Finally, we
empirically show that our proposed method, MEKIV, improves over baselines and
is robust under changes in the strength of measurement error and to the type of
error distributions.
- Abstract（参考訳）: 原因が誤りである場合の因果効果に対するカーネルベースの非パラメトリック推定器を提案する。
インストゥルメンタル変数設定における推定を一般化することで、そうする。
測定エラーによる回帰に関する大きな作業にもかかわらず、連続的な設定で観測されていないコンファウンディングを扱うのは簡単ではない。
本研究の副産物として,平均埋め込みと特徴関数の関係を明らかにし,一方を学習することで他方を学習できることを示す。
これにより、カーネル手法の研究は、特徴関数推定において既存の結果を活用することができる。
最後に,提案手法であるMEKIVは,測定誤差の強度や誤差分布の種類の変化により,ベースラインよりも改善され,堅牢であることを示す。
関連論文リスト
- Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Distributional Shift-Aware Off-Policy Interval Estimation: A Unified
Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。
目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。
提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文 参考訳（メタデータ） (2023-09-23T06:35:44Z) - Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
本研究では,不正確な連続処理変数を仮定するモデルを提案する。
我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。
我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
論文 参考訳（メタデータ） (2023-06-18T18:38:10Z) - Robust Bayesian Inference for Berkson and Classical Measurement Error Models [9.712913056924826]
測定誤差を扱うための非パラメトリックフレームワークを提案する。
古典的誤りモデルとバークソン誤りモデルの両方に適している。
回帰モデルの種類に応じて損失関数の選択に柔軟性を提供する。
論文 参考訳（メタデータ） (2023-06-02T11:48:15Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - Benign-Overfitting in Conditional Average Treatment Effect Prediction
with Linear Regression [14.493176427999028]
線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。
一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
論文 参考訳（メタデータ） (2022-02-10T18:51:52Z) - Variance Minimization in the Wasserstein Space for Invariant Causal
Prediction [72.13445677280792]
そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。
これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。
我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
論文 参考訳（メタデータ） (2021-10-13T22:30:47Z) - Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
線形関数近似を用いた強化学習における非政治的評価問題について検討する。
本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
論文 参考訳（メタデータ） (2021-06-22T17:58:46Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Doubly Robust Semiparametric Difference-in-Differences Estimators with
High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。
第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。
第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文 参考訳（メタデータ） (2020-09-07T15:14:29Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。