論文の概要: Causal Confirmation Measures: From Simpson's Paradox to COVID-19
- arxiv url: http://arxiv.org/abs/2302.09067v1
- Date: Fri, 3 Feb 2023 02:44:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-26 14:54:15.207461
- Title: Causal Confirmation Measures: From Simpson's Paradox to COVID-19
- Title（参考訳）: 原因確認-シンプソンのパラドックスからCOVID-19まで
- Authors: Chenguang Lu
- Abstract要約: 既存の因果推論理論(ECIT)は、全体的な結論をグループ化の結論と一致させることができる。
著者らは,最小のクロスエントロピー基準を用いた意味情報手法を提案し,因果確認基準Ccを導出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When we compare the influences of two causes on an outcome, if the conclusion
from every group is against that from the conflation, we think there is
Simpson's Paradox. The Existing Causal Inference Theory (ECIT) can make the
overall conclusion consistent with the grouping conclusion by removing the
confounder's influence to eliminate the paradox. The ECIT uses relative risk
difference Pd = max(0, (R - 1)/R) (R denotes the risk ratio) as the probability
of causation. In contrast, Philosopher Fitelson uses confirmation measure D
(posterior probability minus prior probability) to measure the strength of
causation. Fitelson concludes that from the perspective of Bayesian
confirmation, we should directly accept the overall conclusion without
considering the paradox. The author proposed a Bayesian confirmation measure b*
similar to Pd before. To overcome the contradiction between the ECIT and
Bayesian confirmation, the author uses the semantic information method with the
minimum cross-entropy criterion to deduce causal confirmation measure Cc = (R
-1)/max(R, 1). Cc is like Pd but has normalizing property (between -1 and 1)
and cause symmetry. It especially fits cases where a cause restrains an
outcome, such as the COVID-19 vaccine controlling the infection. Some examples
(about kidney stone treatments and COVID-19) reveal that Pd and Cc are more
reasonable than D; Cc is more useful than Pd.
- Abstract（参考訳）: 結果に対する2つの原因の影響を比較すると、すべてのグループからの結論が衝突の結論に反するならば、シンプソンのパラドックスが存在すると考える。
既存の因果推論理論(ecit)は、このパラドックスを取り除くために共同設立者の影響を取り除くことによって、全体の結論をグループ化結論と一致させることができる。
ecit は相対リスク差 pd = max(0, (r - 1)/r) (r はリスク比率を表す) を因果確率として用いる。
対照的に哲学者のフィテルソンは、因果関係の強さを測定するために、確度尺度d(事後確率マイナス前確率)を用いる。
ファイテルソンはベイズ的な確認の観点から、パラドックスを考慮せずに全体的な結論を直接受け入れるべきであると結論付けた。
著者は以前にPdに類似したベイズ確認測度 b* を提案した。
著者らはECITとベイズ確認の矛盾を克服するため、最小のクロスエントロピー基準を持つ意味情報法を用いて因果確認尺度Cc = (R -1)/max(R, 1)を導出する。
Cc は Pd に似ているが、(-1 と 1) の間の)正規化特性を持ち、対称性を引き起こす。
特に、新型コロナウイルス(COVID-19)ワクチンの感染抑制など、原因が結果を抑制する場合に当てはまる。
腎臓石治療やCOVID-19に関するいくつかの例では、PdとCcはDよりも合理的である。
関連論文リスト
- TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - Distinguishing Cause from Effect on Categorical Data: The Uniform
Channel Model [0.0]
一対の確率変数の観測による効果による原因の識別は因果発見における中核的な問題である。
分類変数を用いた原因影響問題に対処するための基準を提案する。
我々は、条件付き確率質量関数が一様チャネル(UC)に最も近い因果方向として選択する。
論文 参考訳（メタデータ） (2023-03-14T13:54:11Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳（メタデータ） (2022-01-15T17:21:26Z) - Causal reappraisal of the quantum three box paradox [0.0]
量子3ボックスパラドックス(Quantum three box paradox)は、事前選択された系と後選択された系で行われた中間測定のための奇異な予測の原型例である。
我々は実験の背後にある潜在的な因果構造を考慮し、十分な説明力を持たないものを排除した。
後者は必須であるが、完全な統計が考慮されている場合にのみ有効であることを示す。
論文 参考訳（メタデータ） (2021-07-29T12:58:31Z) - Causal version of Principle of Insufficient Reason and MaxEnt [13.956163811289832]
不十分な理由(PIR)の原理は、ランダムな実験のそれぞれの選択肢に等しい確率を割り当てる。
MaxEntはPIRを、期待のような統計情報が与えられる場合に一般化する。
我々は、PIRとMaxEntの因果修正を、原因の制約と原因から影響を生み出すメカニズムの制約に分離することで正当化する。
論文 参考訳（メタデータ） (2021-02-07T20:36:43Z) - Causal Collaborative Filtering [50.22155187512759]
Causal Collaborative Filteringは、協調フィルタリングとレコメンデーションにおける因果関係をモデル化するためのフレームワークである。
従来のCFアルゴリズムの多くは、単純化された因果グラフの下で、実際にCCFの特殊なケースであることを示す。
そこで我々は,$do$-operationに対する条件付き介入手法を提案する。
論文 参考訳（メタデータ） (2021-02-03T04:16:11Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳（メタデータ） (2020-11-04T10:25:13Z) - An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。
最適化からの収束率を用いた原因影響SCMの適応速度について検討する。
驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
論文 参考訳（メタデータ） (2020-05-18T23:48:56Z) - Unitary-Only Quantum Theory Cannot Consistently Describe the Use of
Itself: On the Frauchiger-Renner Paradox [0.0]
Frauchiger-Renner Paradoxは、Schrodinger's CatやWigner's Friendなどの"Problem of Measurement"に基づくパラドックスの拡張である。
本稿では、FRシナリオにおける基本的な矛盾を、導出矛盾よりもはるかに早い段階で論じる。
論文 参考訳（メタデータ） (2020-02-04T18:34:20Z) - Channels' Confirmation and Predictions' Confirmation: from the Medical
Test to the Raven Paradox [0.0]
測度Fは、エルスとフィテルソンによって提案された対称性と非対称性、グレコらによって提案された単調性、そして多くの研究者によって提案された正規化特性を有する。
意味情報理論に基づいて、Fに類似した測度b*を医療検査から導出する。
c* は単純形式である: (a-c)/max(a, c) ニコッド規準をサポートし、同値条件を弱め、したがって、レイヴンパラドックスを除去するために使うことができる。
論文 参考訳（メタデータ） (2020-01-17T11:22:18Z)
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。