論文の概要: Learning the Ranking of Causal Effects with Confounded Data
- arxiv url: http://arxiv.org/abs/2206.12532v1
- Date: Sat, 25 Jun 2022 02:15:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-03 08:42:48.492217
- Title: Learning the Ranking of Causal Effects with Confounded Data
- Title（参考訳）: 共起データによる因果効果のランク付けの学習
- Authors: Carlos Fern\'andez-Lor\'ia and Jorge Lor\'ia
- Abstract要約: ランキング保存仮定(RPA)という,歴史データに関する新たな制約の少ない仮定を提案する。
RPAは、オンライン広告や顧客維持といった一般的なビジネスアプリケーションを含む、さまざまなシナリオで適合できることを示す。
- 参考スコア（独自算出の注目度）: 11.859913430860335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Decision makers often want to identify the individuals for whom some
intervention or treatment will be most effective in order to decide who to
treat. In such cases, decision makers would ideally like to rank potential
recipients of the treatment according to their individual causal effects.
However, the historical data available to estimate the causal effects could be
confounded, and as a result, accurately estimating the effects could be
impossible. We propose a new and less restrictive assumption about historical
data, called the ranking preservation assumption (RPA), under which the ranking
of the individual effects can be consistently estimated even if the effects
themselves cannot be accurately estimated. Importantly, we find that
confounding can be helpful for the estimation of the causal-effect ranking when
the confounding bias is larger for individuals with larger causal effects, and
that even when this is not the case, any detrimental impact of confounding can
be corrected with larger training data when the RPA is met. We then
analytically show that the RPA can be met in a variety of scenarios, including
common business applications such as online advertising and customer retention.
We support this finding with an empirical example in the context of online
advertising. The example also shows how to evaluate the decision making of a
confounded model in practice. The main takeaway is that what might
traditionally be considered "good" data for causal estimation (i.e.,
unconfounded data) may not be necessary to make good causal decisions, so
treatment assignment methods may work better than we give them credit for in
the presence of confounding.
- Abstract（参考訳）: 意思決定者はしばしば、介入や治療が最も効果的である個人を特定し、誰が治療するかを決定する。
このような場合、意思決定者は、それぞれの因果効果に応じて治療の潜在的受給者をランク付けするのが理想である。
しかし、因果効果を推定できる歴史的データは整理され、その結果、正確な効果を推定することは不可能である。
本稿では,その効果自体を正確に推定できない場合でも,個々の効果のランキングを一貫して推定できる階層保存前提(rpa)という,歴史データに関する新たな,より限定的な仮定を提案する。
以上より, 因果効果が大きい個人に対して, 共起バイアスが大きい場合, 因果効果ランキングの推定に共起が有効であること, rpaが満たした時点では, 共起の有害影響を, より大きなトレーニングデータで補正することができること, が重要である。
次に、オンライン広告や顧客維持といった一般的なビジネスアプリケーションなど、さまざまなシナリオでRPAが適合できることを分析的に示す。
我々はこの発見をオンライン広告の文脈で実証的な例で支持する。
この例は、実際に構築されたモデルの意思決定を評価する方法も示しています。
主な特徴は、因果推定のために伝統的に「良い」データと見なされるもの(すなわち、未確立のデータ)は、適切な因果決定を行うのに必要ではないため、処置の割り当て方法が共起の存在下でのクレジットよりもうまく機能する可能性があることである。
関連論文リスト
- Performative Prediction on Games and Mechanism Design [69.7933059664256]
エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。
予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。
よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
論文 参考訳（メタデータ） (2024-08-09T16:03:44Z) - Causal Fine-Tuning and Effect Calibration of Non-Causal Predictive Models [1.3124513975412255]
本稿では,無作為な実験データを用いた因果推論のための非因果モデルの性能向上手法を提案する。
広告、顧客の保持、精密医療のような領域では、介入なしの結果を予測する非因果モデルはしばしば、介入の期待された効果に応じて個人をスコアしランク付けするために使用される。
論文 参考訳（メタデータ） (2024-06-13T20:18:16Z) - Automating the Selection of Proxy Variables of Unmeasured Confounders [16.773841751009748]
既存のプロキシ変数推定器を拡張して、治療と結果の間に複数の未測定の共同創設者が存在するシナリオに対応する。
本稿では、プロキシ変数の選択と因果効果の偏りのない推定のための2つのデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2024-05-25T08:53:49Z) - 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) - On the Actionability of Outcome Prediction [8.32379926107182]
実践者は、最終的な目標は単に予測するのではなく、効果的に行動することだと認識します。
正確な結果の予測は、いつ最も適切な介入を特定するのに役立つのでしょうか?
結果を改善するための単一の決定的な行動がある場合を除き、結果予測は「行動価値」を最大化しない。
論文 参考訳（メタデータ） (2023-09-08T17:57:31Z) - Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning [0.0]
本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。
提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。
また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
論文 参考訳（メタデータ） (2023-07-03T14:27:15Z) - 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) - Disentangled Representation for Causal Mediation Analysis [25.114619307838602]
因果媒介分析(英: Causal mediation analysis)は、直接的および間接的な効果を明らかにするためにしばしば用いられる方法である。
深層学習はメディエーション分析において有望であるが、現在の手法では、治療、メディエーター、結果に同時に影響を及ぼす潜在的共同創設者のみを前提としている。
そこで本研究では,助成金の表現を3つのタイプに分けて,自然的直接効果,自然間接効果,および全効果を正確に推定する,ディスタングル・メディエーション分析変分自動エンコーダ(DMAVAE)を提案する。
論文 参考訳（メタデータ） (2023-02-19T23:37:17Z) - Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。
トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文 参考訳（メタデータ） (2023-01-28T20:14:11Z) - Neighborhood Adaptive Estimators for Causal Inference under Network
Interference [152.4519491244279]
我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。
干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。
このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
論文 参考訳（メタデータ） (2022-12-07T14:53:47Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z)
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。