論文の概要: Neighborhood Adaptive Estimators for Causal Inference under Network
Interference
- arxiv url: http://arxiv.org/abs/2212.03683v1
- Date: Wed, 7 Dec 2022 14:53:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 15:40:04.241754
- Title: Neighborhood Adaptive Estimators for Causal Inference under Network
Interference
- Title（参考訳）: ネットワーク干渉による因果推論のための周辺適応推定器
- Authors: Alexandre Belloni, Fei Fang and Alexander Volfovsky
- Abstract要約: 我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。
干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。
このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
- 参考スコア（独自算出の注目度）: 152.4519491244279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating causal effects has become an integral part of most applied fields.
Solving these modern causal questions requires tackling violations of many
classical causal assumptions. In this work we consider the violation of the
classical no-interference assumption, meaning that the treatment of one
individuals might affect the outcomes of another. To make interference
tractable, we consider a known network that describes how interference may
travel. However, unlike previous work in this area, the radius (and intensity)
of the interference experienced by a unit is unknown and can depend on
different sub-networks of those treated and untreated that are connected to
this unit.
We study estimators for the average direct treatment effect on the treated in
such a setting. The proposed estimator builds upon a Lepski-like procedure that
searches over the possible relevant radii and treatment assignment patterns. In
contrast to previous work, the proposed procedure aims to approximate the
relevant network interference patterns. We establish oracle inequalities and
corresponding adaptive rates for the estimation of the interference function.
We leverage such estimates to propose and analyze two estimators for the
average direct treatment effect on the treated. We address several challenges
steaming from the data-driven creation of the patterns (i.e. feature
engineering) and the network dependence. In addition to rates of convergence,
under mild regularity conditions, we show that one of the proposed estimators
is asymptotically normal and unbiased.
- Abstract（参考訳）: 因果効果の推定は、ほとんどの応用分野において不可欠な部分となっている。
これらの現代の因果問題を解くには、多くの古典的な因果仮説の違反に取り組む必要がある。
本研究は,古典的非干渉仮説の違反を考察し,ある個人に対する治療が他者の結果に影響を及ぼす可能性を示唆する。
干渉を扱いやすくするため、干渉がどのように進行するかを記述する既知のネットワークを考える。
しかし、この領域における以前の研究とは異なり、ユニットが経験した干渉の半径(および強度)は未知であり、このユニットに接続されている処理および未処理の異なるサブネットワークに依存することができる。
このような環境での処理に対する平均的直接的治療効果の予測について検討した。
提案した推定器はレプスキー様の手順に基づいて、関連するラジイおよび治療代入パターンを探索する。
従来の研究とは対照的に,提案手法はネットワーク干渉パターンを近似することを目的としている。
干渉関数の推定のためのオラクルの不等式と対応する適応率を確立する。
本研究では, 平均的な直接治療効果を示す2つの推定器の提案と解析を行う。
データ駆動型パターン作成(すなわち、機能工学)とネットワーク依存から生じるいくつかの課題に対処します。
収束率に加えて, 穏やかな正規性条件下では, 提案する推定器の1つが漸近的に正規であり, 偏りがないことを示す。
関連論文リスト
- Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳（メタデータ） (2024-11-01T18:00:51Z) - 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) - Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。
我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。
本手法の有効性を5つの数値シナリオで示す。
論文 参考訳（メタデータ） (2023-11-14T17:31:50Z) - Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。
オラクル形式は影響関数の一貫した近似であることを示す。
次に、平均二乗誤差の観点から総合収束解析を行う。
論文 参考訳（メタデータ） (2023-09-22T12:18:53Z) - Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。
これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。
我々はこれらの考え方を非政治評価フレームワークに一般化する。
論文 参考訳（メタデータ） (2022-11-02T23:39:36Z) - 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) - Causal Inference Under Unmeasured Confounding With Negative Controls: A
Minimax Learning Approach [84.29777236590674]
すべての共同設立者が観察されず、代わりに負の制御が利用可能である場合の因果パラメータの推定について検討する。
最近の研究は、2つのいわゆるブリッジ関数による同定と効率的な推定を可能にする方法を示している。
論文 参考訳（メタデータ） (2021-03-25T17:59:19Z) - Valid Causal Inference with (Some) Invalid Instruments [24.794879633855373]
排他的仮定違反にも拘わらず、一貫したIV推定を行う方法を示す。
我々は,深層ネットワークに基づく推定器のアンサンブルを用いて条件平均処理効果を正確に推定する。
論文 参考訳（メタデータ） (2020-06-19T21:09:26Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。