論文の概要: Distributionally Robust Causal Inference with Observational Data
- arxiv url: http://arxiv.org/abs/2210.08326v1
- Date: Sat, 15 Oct 2022 16:02:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 17:49:50.378383
- Title: Distributionally Robust Causal Inference with Observational Data
- Title（参考訳）: 観測データによるロバストな因果推定
- Authors: Dimitris Bertsimas, Kosuke Imai, Michael Lingzhi Li
- Abstract要約: 非確立性の標準的な仮定を伴わない観察研究における平均治療効果の推定を考察する。
本稿では,無観測の共同設立者が存在する可能性を考慮した,一般的な観察研究環境下での堅牢な因果推論の枠組みを提案する。
- 参考スコア（独自算出の注目度）: 4.8986598953553555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the estimation of average treatment effects in observational
studies without the standard assumption of unconfoundedness. We propose a new
framework of robust causal inference under the general observational study
setting with the possible existence of unobserved confounders. Our approach is
based on the method of distributionally robust optimization and proceeds in two
steps. We first specify the maximal degree to which the distribution of
unobserved potential outcomes may deviate from that of obsered outcomes. We
then derive sharp bounds on the average treatment effects under this
assumption. Our framework encompasses the popular marginal sensitivity model as
a special case and can be extended to the difference-in-difference and
regression discontinuity designs as well as instrumental variables. Through
simulation and empirical studies, we demonstrate the applicability of the
proposed methodology to real-world settings.
- Abstract（参考訳）: 非確立性の標準的な仮定を伴わない観察研究における平均治療効果の推定を考察する。
本稿では,無観測の共同設立者が存在する可能性を考慮した,一般的な観察研究環境下での堅牢な因果推論の枠組みを提案する。
提案手法は分散的ロバストな最適化法に基づいており, 2つのステップで進行する。
まず、観測されない潜在的な結果の分布が観測された結果の分布から逸脱する可能性のある最大次数を指定する。
次に、この仮定に基づく平均治療効果の鋭い境界を導出する。
提案手法は,一般の限界感度モデルを特殊ケースとして包含し,差分差や回帰不連続設計,インストゥルメンタル変数にまで拡張することができる。
シミュレーションと実証研究を通じて,提案手法が実世界に適用可能であることを示す。
関連論文リスト
- Exogenous Matching: Learning Good Proposals for Tractable Counterfactual Estimation [1.9662978733004601]
本稿では, 抽出可能かつ効率的な対実表現推定のための重要サンプリング手法を提案する。
対物推定器の共通上限を最小化することにより、分散最小化問題を条件分布学習問題に変換する。
構造因果モデル (Structure Causal Models, SCM) の様々なタイプと設定による実験による理論的結果の検証と, 対実推定タスクにおける性能の実証を行った。
論文 参考訳（メタデータ） (2024-10-17T03:08:28Z) - Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference [6.406853903837333]
個々の治療効果は、個々のレベルで最もきめ細かい治療効果を提供する。
本稿では,これらの複雑な課題に対処する共形拡散モデルに基づく新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-02T21:35:08Z) - Model Free Prediction with Uncertainty Assessment [7.524024486998338]
そこで本研究では,深部推定パラダイムを条件付き平均推定を行うプラットフォームに変換する新しいフレームワークを提案する。
本研究では, 条件付き拡散モデルに対する終端収束率を開発し, 生成した試料の正規性を確立する。
数値実験により,提案手法の有効性を実証的に検証した。
論文 参考訳（メタデータ） (2024-05-21T11:19:50Z) - Conformal Counterfactual Inference under Hidden Confounding [19.190396053530417]
反ファクトの世界における潜在的な結果の予測と不確実性は、因果推論における因果的問題を引き起こす。
反事実に対する信頼区間を構成する既存の方法は、強い無知の仮定に依存する。
提案手法は, 限界収束保証付き実測結果に対する信頼区間を提供するトランスダクティブ重み付き共形予測に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2024-05-20T21:43:43Z) - Targeted Machine Learning for Average Causal Effect Estimation Using the
Front-Door Functional [3.0232957374216953]
結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。
本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。
本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
論文 参考訳（メタデータ） (2023-12-15T22:04:53Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
実験と観測を組み合わせた二重機械学習手法を提案する。
我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
論文 参考訳（メタデータ） (2023-07-04T02:53:11Z) - 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) - 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) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳（メタデータ） (2020-02-21T00:27:52Z) - Learning Overlapping Representations for the Estimation of
Individualized Treatment Effects [97.42686600929211]
観測データから代替案の可能性を推定することは難しい問題である。
入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。
我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
論文 参考訳（メタデータ） (2020-01-14T12:56:29Z)
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。