論文の概要: A Recursive Partitioning Approach for Dynamic Discrete Choice Modeling
in High Dimensional Settings
- arxiv url: http://arxiv.org/abs/2208.01476v1
- Date: Tue, 2 Aug 2022 14:13:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-03 13:31:09.973989
- Title: A Recursive Partitioning Approach for Dynamic Discrete Choice Modeling
in High Dimensional Settings
- Title（参考訳）: 高次元環境における動的離散選択モデリングのための再帰的分割法
- Authors: Ebrahim Barzegary, Hema Yoganarasimhan
- Abstract要約: 動的離散選択モデルの推定は、しばしば計算集約的で高次元の設定では不可能である。
状態変数の高次元集合を含む動的離散選択モデルの半パラメトリック定式化を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic discrete choice models are widely employed to answer substantive and
policy questions in settings where individuals' current choices have future
implications. However, estimation of these models is often computationally
intensive and/or infeasible in high-dimensional settings. Indeed, even
specifying the structure for how the utilities/state transitions enter the
agent's decision is challenging in high-dimensional settings when we have no
guiding theory. In this paper, we present a semi-parametric formulation of
dynamic discrete choice models that incorporates a high-dimensional set of
state variables, in addition to the standard variables used in a parametric
utility function. The high-dimensional variable can include all the variables
that are not the main variables of interest but may potentially affect people's
choices and must be included in the estimation procedure, i.e., control
variables. We present a data-driven recursive partitioning algorithm that
reduces the dimensionality of the high-dimensional state space by taking the
variation in choices and state transition into account. Researchers can then
use the method of their choice to estimate the problem using the discretized
state space from the first stage. Our approach can reduce the estimation bias
and make estimation feasible at the same time. We present Monte Carlo
simulations to demonstrate the performance of our method compared to standard
estimation methods where we ignore the high-dimensional explanatory variable
set.
- Abstract（参考訳）: 動的離散選択モデルは、個人の現在の選択が将来の意味を持つ設定において、実体的および政策的な質問に答えるために広く用いられている。
しかし、これらのモデルの推定はしばしば計算集約的であり、高次元の設定では不可能である。
実際、ユーティリティ/状態遷移がどのようにエージェントの決定に入るかの構造を特定することは、ガイド理論がない場合、高次元設定では難しい。
本稿では、パラメトリックユーティリティ関数で使用される標準変数に加えて、状態変数の高次元集合を含む動的離散選択モデルの半パラメトリックな定式化を提案する。
高次元変数は、関心の主変数ではないすべての変数を含むことができるが、潜在的に人々の選択に影響を与え、推定手順、すなわち制御変数に含めなければならない。
本研究では,データ駆動再帰的パーティショニングアルゴリズムを提案する。選択と状態遷移のばらつきを考慮して,高次元状態空間の次元性を低減する。
研究者は、その選択方法を使って、最初の段階から離散状態空間を使って問題を推定することができる。
提案手法は,推定バイアスを低減し,同時に推定を可能にする。
本研究ではモンテカルロシミュレーションを行い,高次元説明変数集合を無視する標準推定法と比較して,提案手法の性能を示す。
関連論文リスト
- Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。
このような問題は医学、物理学、機械学習で発生する。
両種類の雑音下で提案アルゴリズムの収束保証を行う。
論文 参考訳（メタデータ） (2024-11-21T10:26:17Z) - A Statistical Machine Learning Approach for Adapting Reduced-Order Models using Projected Gaussian Process [4.658371840624581]
適切な直交分解(POD)は、低次元の部分空間にまたがる最適基底モードを計算する。
本稿では,予測ガウス過程 (pGP) を提案し,PODベースを教師付き統計学習問題として適用する問題を定式化する。
パラメータ変化に対してPODベースを適用するために提案したpGPの利点を示す数値的な例を示す。
論文 参考訳（メタデータ） (2024-10-18T00:02:43Z) - A statistical approach to latent dynamic modeling with differential
equations [0.0]
通常の微分方程式(ODE)は、プロセスの時間的局所的な変化の力学モデルを提供することができる。
本稿では,各観測結果を初期値として利用して,複数のローカルODEソリューションを得る方法を提案する。
脊髄性筋萎縮症に対するアプローチとそれに対応するシミュレーション研究について述べる。
論文 参考訳（メタデータ） (2023-11-27T20:02:55Z) - Dimensionless Policies based on the Buckingham $\pi$ Theorem: Is This a
Good Way to Generalize Numerical Results? [66.52698983694613]
本稿では,バッキンガムの$pi$定理を,物理系の制御ポリシを汎用的な知識形式にエンコードするツールとして活用する。
本研究では,(1) パラメータの削減,(2) 特定のシステムに対して数値的に生成された制御ポリシを,入力変数と出力変数を適切にスケーリングすることにより,次元的に類似したシステムのサブセットに正確に転送可能であることを示す。
より複雑な高次元問題に対するポリシーを一般化するために、このアプローチがいかに実用的であるかは、まだわからないが、初期の結果は、それがaであることを示している。
論文 参考訳（メタデータ） (2023-07-29T00:51:26Z) - A Data-Driven State Aggregation Approach for Dynamic Discrete Choice
Models [7.7347261505610865]
本稿では,状態の選択と集約のためのデータ駆動型手法を提案する。
提案した2段階のアプローチは,問題次元を減らして次元の呪いを緩和する。
2つの古典的動的離散的選択推定法におけるアルゴリズムの実証的性能を実証する。
論文 参考訳（メタデータ） (2023-04-11T01:07:24Z) - Numerical Methods for Convex Multistage Stochastic Optimization [86.45244607927732]
最適化プログラミング(SP)、最適制御(SOC)、決定プロセス(MDP)に焦点を当てる。
凸多段マルコフ問題の解決の最近の進歩は、動的プログラミング方程式のコスト対ゴー関数の切断面近似に基づいている。
切削平面型法は多段階問題を多段階的に扱えるが、状態(決定)変数は比較的少ない。
論文 参考訳（メタデータ） (2023-03-28T01:30:40Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳（メタデータ） (2021-11-26T06:33:29Z) - Nonparametric Variable Screening with Optimal Decision Stumps [19.493449206135296]
単レベルCART決定木を用いた非パラメトリックモデルにおける変数選択に対する有限サンプル性能保証を導出する。
切削された基底展開を通じて各辺縁射影を直接推定しようとする従来の辺縁検定方法とは異なり、ここで用いられる適合モデルは単純で同相な決定スタンプである。
論文 参考訳（メタデータ） (2020-11-05T06:56:12Z) - Variable selection for Gaussian process regression through a sparse
projection [0.802904964931021]
本稿では,ガウス過程(GP)レグレッションと統合された新しい変数選択手法を提案する。
パラメータの調整と推定の精度を,選択したベンチマーク手法を用いて評価した。
論文 参考訳（メタデータ） (2020-08-25T01:06:10Z) - Implicit differentiation of Lasso-type models for hyperparameter
optimization [82.73138686390514]
ラッソ型問題に適した行列逆転のない効率的な暗黙微分アルゴリズムを提案する。
提案手法は,解の空間性を利用して高次元データにスケールする。
論文 参考訳（メタデータ） (2020-02-20T18:43:42Z)
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。