論文の概要: Non-parametric identifiability and sensitivity analysis of synthetic control models

• arxiv url: http://arxiv.org/abs/2301.07656v1
• Date: Wed, 18 Jan 2023 17:02:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 15:14:44.725923
• Title: Non-parametric identifiability and sensitivity analysis of synthetic control models
• Title（参考訳）: 合成制御モデルの非パラメトリック識別性と感度解析
• Authors: Jakob Zeitler and Athanasios Vlontzos and Ciaran M. Gilligan-Lee
• Abstract要約: パールの構造因果モデルフレームワークにおける合成制御モデルについて検討する。 合成制御因果推論の感度解析のための一般的な枠組みとして,非パラメトリック識別可能性の前提となる仮定の違反について述べる。
• 参考スコア（独自算出の注目度）: 1.4610038284393165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying cause and effect relationships is an important problem in many domains. The gold standard solution is to conduct a randomised controlled trial. However, in many situations such trials cannot be performed. In the absence of such trials, many methods have been devised to quantify the causal impact of an intervention from observational data given certain assumptions. One widely used method are synthetic control models. While identifiability of the causal estimand in such models has been obtained from a range of assumptions, it is widely and implicitly assumed that the underlying assumptions are satisfied for all time periods both pre- and post-intervention. This is a strong assumption, as synthetic control models can only be learned in pre-intervention period. In this paper we address this challenge, and prove identifiability can be obtained without the need for this assumption, by showing it follows from the principle of invariant causal mechanisms. Moreover, for the first time, we formulate and study synthetic control models in Pearl's structural causal model framework. Importantly, we provide a general framework for sensitivity analysis of synthetic control causal inference to violations of the assumptions underlying non-parametric identifiability. We end by providing an empirical demonstration of our sensitivity analysis framework on simulated and real data in the widely-used linear synthetic control framework.
• Abstract（参考訳）: 原因と効果の関係の定量化は多くの領域において重要な問題である。 金標準の解決策はランダム化制御試験を行うことである。 しかし、多くの場合、このような裁判は行われない。 このような試行がない状態では、特定の仮定により観測データからの介入による因果的影響を定量化するために多くの方法が考案されている。 広く使われている方法は合成制御モデルである。 このようなモデルにおける因果推定の同定性は、様々な仮定から得られているが、基礎となる仮定は、前と後の両方の期間にわたって満たされていると広く暗黙的に仮定されている。 これは、合成制御モデルが事前介入期間にのみ学習できるため、強い仮定である。 本稿では,この課題に対処し,不変因果機構の原理に従うことによって,この仮定を必要とせずに同定可能性を証明する。 さらに, パールの構造因果モデルフレームワークにおいて, 合成制御モデルを定式化し, 研究した。 重要となるのは,非パラメトリック同定可能性に基づく仮定の違反に対する合成制御因果推論の感度分析のための汎用フレームワークを提案することである。 最後に, 広く使用されている線形合成制御フレームワークにおいて, シミュレーションおよび実データに対する感度解析フレームワークの実証実験を行った。

関連論文リスト

• Demystifying amortized causal discovery with transformers [21.058343547918053]
  観測データからの因果発見のための教師付き学習アプローチは、しばしば競争性能を達成する。 本研究では,CSIvAについて検討する。CSIvAは,合成データのトレーニングと実データへの転送を約束するトランスフォーマーモデルである。 既存の識別可能性理論とギャップを埋め、トレーニングデータ分布の制約がテスト観測の事前を暗黙的に定義していることを示します。
  論文  参考訳（メタデータ） (2024-05-27T08:17:49Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
  本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。 サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
  論文  参考訳（メタデータ） (2023-09-13T18:53:11Z)
• Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models [15.817239008727789]
  本研究では,異なるドメインで生成された場合,サンプルがどのようなものであったのかを仮定した,ドメイン反事実と呼ばれる特定のタイプの因果クエリを解析する。 本研究では, 潜在構造因果モデル (SCM) の回復は, ドメイン・デファクト・デファクトを推定するために不要であることを示す。 また、モデル生成過程を単純化し、生成モデル推定を行うための理論的基盤となる実用的なアルゴリズムも開発する。
  論文  参考訳（メタデータ） (2023-06-20T04:19:06Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
  潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。 本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
  論文  参考訳（メタデータ） (2023-05-09T09:08:39Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• On Testability of the Front-Door Model via Verma Constraints [7.52579126252489]
  フロントドア基準は、測定されていない共同設立者にもかかわらず因果関係を識別し、計算するために用いられる。 主要な仮定 -- 結果に対する治療の効果を完全に媒介する変数の存在と、類似したコンバウンディングの問題に同時に苦しめられていない変数の存在は、しばしば許し難いものとみなされる。 補助変数を含む穏やかな条件下では, 一般等式制約により, フロントドアモデルに符号化された仮定を検証できることを示す。
  論文  参考訳（メタデータ） (2022-03-01T00:38:29Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics [85.31247588089686]
  変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。 ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
  論文  参考訳（メタデータ） (2021-07-08T03:40:18Z)

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。