論文の概要: Finding and Listing Front-door Adjustment Sets
- arxiv url: http://arxiv.org/abs/2210.05816v1
- Date: Tue, 11 Oct 2022 22:54:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 13:26:16.464209
- Title: Finding and Listing Front-door Adjustment Sets
- Title（参考訳）: フロントドア調整セットの検索とリスティング
- Authors: Hyunchai Jeong (1), Jin Tian (2), Elias Bareinboim (3) ((1) Purdue
University, (2) Iowa State University, (3) Columbia University)
- Abstract要約: 与えられた因果図でFD基準を満たす可能性のある集合を探索し列挙するアルゴリズムを提案する。
これらの結果は、因果効果推定のためのFD基準の実践的適用を容易にするのに有用である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying the effects of new interventions from data is a significant
challenge found across a wide range of the empirical sciences. A well-known
strategy for identifying such effects is Pearl's front-door (FD) criterion
(Pearl, 1995). The definition of the FD criterion is declarative, only allowing
one to decide whether a specific set satisfies the criterion. In this paper, we
present algorithms for finding and enumerating possible sets satisfying the FD
criterion in a given causal diagram. These results are useful in facilitating
the practical applications of the FD criterion for causal effects estimation
and helping scientists to select estimands with desired properties, e.g., based
on cost, feasibility of measurement, or statistical power.
- Abstract（参考訳）: データから新たな介入の効果を特定することは、幅広い経験的科学において重要な課題である。
このような効果を特定するためのよく知られた戦略は、パールのフロントドア(FD)基準である(Pearl, 1995)。
FD基準の定義は宣言的であり、特定の集合が基準を満たすかどうかを決定できるだけである。
本稿では,与えられた因果図のfd基準を満たす可能な集合を探索し,列挙するアルゴリズムを提案する。
これらの結果は、因果効果推定のためのFD基準の実践的応用を容易にし、科学者が望ましい特性を持つ推定値(例えば、コスト、測定可能性、統計力)を選択するのを助けるのに有用である。
関連論文リスト
- Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。
選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。
また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-29T20:56:34Z) - A General Causal Inference Framework for Cross-Sectional Observational Data [0.4972323953932129]
断面観測データに特化して設計された一般因果推論(GCI)フレームワーク。
本稿では,断面観測データを対象としたGCIフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-28T14:26:27Z) - Identifiability Matters: Revealing the Hidden Recoverable Condition in Unbiased Learning to Rank [37.15089945367366]
クリックデータから関連性を回復できる条件について検討する。
関連性の回復は、同一性グラフ(IG)が接続されている場合にのみ可能となる。
我々は,ノード介入とノードマージという2つの手法を導入し,データセットの修正とIGの接続性回復を図った。
論文 参考訳（メタデータ） (2023-09-27T10:31:58Z) - Bounded P-values in Parametric Programming-based Selective Inference [23.35466397627952]
我々は,p-値の下と上の境界を計算する手法を提案することにより,所望の精度を確保しつつ計算コストを削減する手法を提案する。
本稿では,線形モデルにおける特徴選択と深部ニューラルネットワークにおける注目領域同定のための仮説テスト問題における提案手法の有効性を示す。
論文 参考訳（メタデータ） (2023-07-21T04:55:03Z) - Task-specific experimental design for treatment effect estimation [59.879567967089145]
因果推論の標準は大規模ランダム化試験(RCT)である。
近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。
実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
論文 参考訳（メタデータ） (2023-06-08T18:10:37Z) - Bounding Counterfactuals under Selection Bias [60.55840896782637]
本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。
選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
論文 参考訳（メタデータ） (2022-07-26T10:33:10Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳（メタデータ） (2022-02-22T21:27:31Z) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳（メタデータ） (2022-02-22T04:24:26Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z)
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。