論文の概要: Partial Identification of Causal Effects Using Proxy Variables

• arxiv url: http://arxiv.org/abs/2304.04374v3
• Date: Sun, 28 Jan 2024 20:42:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 23:09:39.234217
• Title: Partial Identification of Causal Effects Using Proxy Variables
• Title（参考訳）: プロキシ変数を用いた因果効果の部分的同定
• Authors: AmirEmad Ghassami, Ilya Shpitser, Eric Tchetgen Tchetgen
• Abstract要約: 近位因果推論は,非測定的共起の存在下での因果効果を評価するためのフレームワークとして最近提案されている。 本稿では,橋梁関数の完全性を必要としない部分的識別手法を提案する。
• 参考スコア（独自算出の注目度）: 19.23377338970307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proximal causal inference is a recently proposed framework for evaluating causal effects in the presence of unmeasured confounding. For point identification of causal effects, it leverages a pair of so-called treatment and outcome confounding proxy variables, to identify a bridge function that matches the dependence of potential outcomes or treatment variables on the hidden factors to corresponding functions of observed proxies. Unique identification of a causal effect via a bridge function crucially requires that proxies are sufficiently relevant for hidden factors, a requirement that has previously been formalized as a completeness condition. However, completeness is well-known not to be empirically testable, and although a bridge function may be well-defined, lack of completeness, sometimes manifested by availability of a single type of proxy, may severely limit prospects for identification of a bridge function and thus a causal effect; therefore, potentially restricting the application of the proximal causal framework. In this paper, we propose partial identification methods that do not require completeness and obviate the need for identification of a bridge function. That is, we establish that proxies of unobserved confounders can be leveraged to obtain bounds on the causal effect of the treatment on the outcome even if available information does not suffice to identify either a bridge function or a corresponding causal effect of interest. Our bounds are non-smooth functionals of the observed data distribution. As a consequence, in the context of inference, we initially provide a smooth approximation of our bounds. Subsequently, we leverage bootstrap confidence intervals on the approximated bounds. We further establish analogous partial identification results in related settings where identification hinges upon hidden mediators for which proxies are available.
• Abstract（参考訳）: 近位因果推論は,非測定的共起の存在下での因果効果を評価するためのフレームワークとして最近提案されている。 因果効果のポイント同定には、いわゆる治療と結果共起プロキシ変数を用いて、隠れた要因に対する潜在的な結果や治療変数の依存性と、観察されたプロキシの対応する機能とを一致させるブリッジ関数を識別する。 ブリッジ関数による因果効果の特異な同定は、以前は完全性条件として定式化された要件である隠蔽因子にプロキシが十分関連していることを要求する。 しかし、完全性は経験的にテストできないことがよく知られており、ブリッジ関数は明確に定義されているかもしれないが、単一のタイプのプロキシが利用可能であることによって表される完全性不足は、ブリッジ関数の識別の可能性を著しく制限し、因果効果をもたらす可能性がある。 本稿では,完全性を必要としない部分同定法を提案し,橋梁関数の同定の必要性を解消する。 すなわち,橋梁機能やそれに対応する因果効果の識別に十分な情報がない場合でも,観察されていない共同創設者のプロキシを利用して結果に対する治療の因果効果の境界を得ることができる。 我々の境界は観測データ分布の非スムース汎関数である。 その結果、推論の文脈では、最初は境界の滑らかな近似を提供する。 その後、近似境界におけるブートストラップ信頼区間を利用する。 さらに,類似した部分的識別結果を,プロキシが利用可能な隠れメディエータに限定した関連設定で確立する。

関連論文リスト

• Automating the Selection of Proxy Variables of Unmeasured Confounders [16.773841751009748]
  既存のプロキシ変数推定器を拡張して、治療と結果の間に複数の未測定の共同創設者が存在するシナリオに対応する。 本稿では、プロキシ変数の選択と因果効果の偏りのない推定のための2つのデータ駆動手法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T08:53:49Z)
• 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)
• Interventional Causal Representation Learning [75.18055152115586]
  因果表現学習は、低レベルの感覚データから高レベルの潜伏因子を抽出しようとする。 介入データは因果表現学習を促進するか? 介入データは、しばしば潜伏因子の支援の幾何学的シグネチャを持つことを示す。
  論文  参考訳（メタデータ） (2022-09-24T04:59:03Z)
• Inference on Strongly Identified Functionals of Weakly Identified Functions [71.42652863687117]
  本研究では,ニュアンス関数が存在しない場合でも,関数を強く識別するための新しい条件について検討する。 本稿では,プライマリおよびデバイアスのニュアンス関数に対するペナル化ミニマックス推定器を提案する。
  論文  参考訳（メタデータ） (2022-08-17T13:38:31Z)
• What's the Harm? Sharp Bounds on the Fraction Negatively Affected by Treatment [58.442274475425144]
  我々は,これらの関数がどの程度の速さで学習されたかに関わらず,効率の良い頑健な推論アルゴリズムを開発した。 シミュレーション研究および失業者のキャリアカウンセリングのケーススタディにおいて,本手法を実証する。
  論文  参考訳（メタデータ） (2022-05-20T17:36:33Z)
• Proximal Causal Inference with Hidden Mediators: Front-Door and Related Mediation Problems [18.84623320851991]
  隠れた共同創設者の存在下での観察データから因果関係を識別する枠組みとして,近因果関係推論が提案されている。 我々は,従来のフロントドア結果を拡張して,プロキシが利用可能な隠れメディエータを実現するための,新しい隠れフロントドア基準を確立する。 i) と (ii) の課題が共存する環境においても, 特定の因果効果の同定が引き続き可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-04T15:04:26Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• 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)
• A Class of Algorithms for General Instrumental Variable Models [29.558215059892206]
  因果治療効果の推定は、様々な現実世界で発生する重要な問題である。 連続分布における因果効果のバウンディング法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T12:32:24Z)

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。