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
- Causal Inference with Conditional Front-Door Adjustment and Identifiable
Variational Autoencoder [28.94606676886985]
フロントドア調整は、観測されていない共役変数を扱うための実践的なアプローチである。
我々はCFD調整の因果効果の識別性を保証する定理を開発する。
データから直接CFD調整変数の表現を学習するためにCFDiVAEを提案する。
論文 参考訳(メタデータ) (2023-10-03T10:24:44Z) - Identifiability Matters: Revealing the Hidden Recoverable Condition in
Unbiased Learning to Rank [39.85719217055178]
基礎レベルでの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。
妥当性の回復は、データセットの基盤構造から派生した識別可能性グラフ(IG)が接続されている場合にのみ可能である。
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) - Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal
Discovery [56.785518690320096]
本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。
GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。
我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
論文 参考訳(メタデータ) (2022-11-24T17:04:45Z) - 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) - An approximate KLD based experimental design for models with intractable
likelihoods [1.8275108630751844]
本研究では, 確率が閉形式で利用できない特殊な統計実験設計(ED)問題を考察する。
KLD(Kulback-Leibler divergence)に基づく設計基準は、可能性関数の評価を必要とするため、直接使用することはできない。
この問題に対処するため、我々は元のKLDユーティリティの下位境界である新しいユーティリティ関数を導出する。
論文 参考訳(メタデータ) (2020-04-01T21:18:28Z)
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。