論文の概要: Robust Causal Learning for the Estimation of Average Treatment Effects

• arxiv url: http://arxiv.org/abs/2209.01805v1
• Date: Mon, 5 Sep 2022 07:35:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 15:13:51.345995
• Title: Robust Causal Learning for the Estimation of Average Treatment Effects
• Title（参考訳）: 平均治療効果推定のためのロバスト因果学習
• Authors: Yiyan Huang, Cheuk Hang Leung, Xing Yan, Qi Wu, Shumin Ma, Zhiri Yuan, Dongdong Wang, Zhixiang Huang
• Abstract要約: 本稿では,Double/Debiased Machine Learning (DML) 推定器の欠陥を相殺するRobust Causal Learning (RCL) 手法を提案する。 実験の結果,RCL推定器はDML推定器よりも,因果パラメータの安定な推定を行うことがわかった。
• 参考スコア（独自算出の注目度）: 14.96459402684986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many practical decision-making problems in economics and healthcare seek to estimate the average treatment effect (ATE) from observational data. The Double/Debiased Machine Learning (DML) is one of the prevalent methods to estimate ATE in the observational study. However, the DML estimators can suffer an error-compounding issue and even give an extreme estimate when the propensity scores are misspecified or very close to 0 or 1. Previous studies have overcome this issue through some empirical tricks such as propensity score trimming, yet none of the existing literature solves this problem from a theoretical standpoint. In this paper, we propose a Robust Causal Learning (RCL) method to offset the deficiencies of the DML estimators. Theoretically, the RCL estimators i) are as consistent and doubly robust as the DML estimators, and ii) can get rid of the error-compounding issue. Empirically, the comprehensive experiments show that i) the RCL estimators give more stable estimations of the causal parameters than the DML estimators, and ii) the RCL estimators outperform the traditional estimators and their variants when applying different machine learning models on both simulation and benchmark datasets.
• Abstract（参考訳）: 経済学や医療における多くの実践的な意思決定問題は、観察データから平均治療効果(ATE)を推定しようとする。 ダブル/デバイアスド機械学習(Double/Debiased Machine Learning, DML)は、観測研究におけるATEを推定する一般的な手法の1つである。 しかし、dml推定器は誤差推定問題に苦しめられ、プロペンサリティスコアが0または1に非常に近い場合にも極端な推定を行うことができる。 従来の研究は、確率スコアトリミングのような経験的なトリックによってこの問題を克服してきたが、既存の文献では理論的な観点からこの問題を解決していない。 本稿では,DML推定器の欠陥を相殺するロバスト因果学習(RCL)手法を提案する。 理論的には、RCL推定器 i)DML推定値と同じくらい一貫性があり、二重に堅牢であり、 ii) エラー拡散問題を取り除くことができる。 実験の結果 総合的な実験は 一)RCL推定器は、DML推定器より因果パラメータをより安定的に推定し、 二 シミュレーション及びベンチマークデータセットの両方に異なる機械学習モデルを適用する場合において、rcl推定器は、従来の推定器及びその変種を上回る。

関連論文リスト

• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data [0.9087641068861047]
  条件付き平均治療効果(CATE)に対する因果的機械学習推定器に欠落した結果データが与える影響について論じる。 我々はCATE(mDR-learner)とmEP-learner(mEP-learner)の2つの非バイアス機械学習推定器を提案する。
  論文  参考訳（メタデータ） (2024-12-27T16:10:03Z)
• Improving the Finite Sample Estimation of Average Treatment Effects using Double/Debiased Machine Learning with Propensity Score Calibration [0.0]
  本稿では,2次/脱バイアス機械学習フレームワークにおける確率校正手法の活用について検討する。 DML推定値の根平均2乗誤差を大幅に低減できる可能性が示唆された。 我々はこれを実証的な例で示し、キャリブレーションがDML推定器の特性を変化させない条件を提供する。
  論文  参考訳（メタデータ） (2024-09-07T17:44:01Z)
• Estimating Causal Effects with Double Machine Learning -- A Method Evaluation [5.904095466127043]
  DML(Double/Debiased Machine Learning)の最も顕著な手法の1つについてレビューする。 この結果から, DML 内でのフレキシブルな機械学習アルゴリズムの適用により, 様々な非線形共起関係の調整が向上することが示唆された。 大気汚染が住宅価格に与える影響を推定すると、DMLの見積もりは柔軟性の低い方法の推定よりも一貫して大きいことが分かる。
  論文  参考訳（メタデータ） (2024-03-21T13:21:33Z)
• Calibrating doubly-robust estimators with unbalanced treatment assignment [0.0]
  本稿では、確率スコアモデリングのためのデータをアンサンプするDML推定器の簡単な拡張を提案する。 本論文は, 推定器が推定器の特性を保ち, 校正値が元の分布に一致することを示す理論的結果を提供する。
  論文  参考訳（メタデータ） (2024-03-03T18:40:11Z)
• Hyperparameter Tuning and Model Evaluation in Causal Effect Estimation [2.7823528791601686]
  本稿では,因果効果推定のためのモデル評価の4つの異なる側面間の相互作用について検討する。 ほとんどの因果推定器は、十分に調整された場合、ほぼ同等の性能であることがわかった。 我々は,現在,最先端の手順で提供されていない最適性能を解き放つために,因果モデル評価に関するさらなる研究を求めている。
  論文  参考訳（メタデータ） (2023-03-02T17:03:02Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。