論文の概要: Doubly Robust Kernel Statistics for Testing Distributional Treatment Effects Even Under One Sided Overlap

• arxiv url: http://arxiv.org/abs/2212.04922v1
• Date: Fri, 9 Dec 2022 15:32:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 14:26:55.203124
• Title: Doubly Robust Kernel Statistics for Testing Distributional Treatment Effects Even Under One Sided Overlap
• Title（参考訳）: 分布的処理効果をテストするための二重ロバストなカーネル統計
• Authors: Jake Fawkes, Robert Hu, Robin J. Evans, Dino Sejdinovic
• Abstract要約: 本研究は,治療と管理における分布の差異に現れる因果効果の検査問題に焦点をあてる。 我々は,従来導入されていたCounterfactual Mean Embeddingフレームワークを考慮し,カーネルメソッドを因果関係に適用する作業を構築した。 本稿では,2倍のロバストな処理効果推定器に基づく分散効果の新しいカーネルベース試験統計法を提案する。
• 参考スコア（独自算出の注目度）: 10.826654567933808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As causal inference becomes more widespread the importance of having good tools to test for causal effects increases. In this work we focus on the problem of testing for causal effects that manifest in a difference in distribution for treatment and control. We build on work applying kernel methods to causality, considering the previously introduced Counterfactual Mean Embedding framework (\textsc{CfME}). We improve on this by proposing the \emph{Doubly Robust Counterfactual Mean Embedding} (\textsc{DR-CfME}), which has better theoretical properties than its predecessor by leveraging semiparametric theory. This leads us to propose new kernel based test statistics for distributional effects which are based upon doubly robust estimators of treatment effects. We propose two test statistics, one which is a direct improvement on previous work and one which can be applied even when the support of the treatment arm is a subset of that of the control arm. We demonstrate the validity of our methods on simulated and real-world data, as well as giving an application in off-policy evaluation.
• Abstract（参考訳）: 因果推論が広まるにつれて、因果効果をテストするための優れたツールを持つことの重要性が増す。 本研究は, 治療とコントロールの分布の違いを表わす因果効果テストの問題に焦点をあてる。 本稿では,従来導入されていたCounterfactual Mean Embedding framework (\textsc{CfME})を考慮し,カーネルメソッドを因果関係に適用する作業を構築した。 我々は、半パラメトリック理論を活用することにより、前者よりも理論的性質のよい \emph{Doubly Robust Counterfactual Mean Embedding} (\textsc{DR-CfME}) を提案する。 この結果から,治療効果の2倍ロバストな推定値に基づく分布効果の新しいカーネルベーステスト統計法を提案する。 本研究は, 従来の作業の直接的な改善である2つのテスト統計と, 処理アームの支持が制御アームのサブセットである場合でも適用可能な2つのテスト統計について提案する。 シミュレーションおよび実世界のデータに対する本手法の有効性を実証するとともに,非政治的評価にも応用する。

関連論文リスト

• Doubly Robust Inference in Causal Latent Factor Models [12.116813197164047]
  本稿では、多数の単位と結果を含む現代データ豊富な環境において、観測不能なコンファウンディングの下での平均処理効果を推定する新しい手法を提案する。 有限サンプル重み付けと保証を導出し、新しい推定器の誤差がパラメトリック速度で平均ゼロガウス分布に収束することを示す。
  論文  参考訳（メタデータ） (2024-02-18T17:13:46Z)
• 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)
• Testing Causality for High Dimensional Data [15.818502261466403]
  本研究では,高次元の2つの確率変数間の因果方向を推定するために,エンフィナールトレース法を再検討する。 我々は、ある分布仮定の下でより鋭い信頼境界を持つ非線形トレース汎函数に結果を拡張する。 我々は,合成データセットに関する実験を奨励し,理論的結果を支持する。
  論文  参考訳（メタデータ） (2023-03-14T10:25:56Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• A New Central Limit Theorem for the Augmented IPW Estimator: Variance Inflation, Cross-Fit Covariance and Beyond [0.9172870611255595]
  クロスフィッティングを用いたクロスフィッティング逆確率重み付け(AIPW)は、実際は一般的な選択肢である。 本研究では, 高次元状態における結果回帰モデルと確率スコアモデルを用いて, クロスフィット型AIPW推定器について検討する。 本研究は, メッセージパッシング理論, 決定論的等価性理論, 離脱一元的アプローチの3つの異なるツール間の新たな相互作用を利用する。
  論文  参考訳（メタデータ） (2022-05-20T14:17:53Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• Causality and Generalizability: Identifiability and Learning Methods [0.0]
  この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。 本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。 本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-10-04T13:12:11Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。