論文の概要: Penalized Likelihood Inference with Survey Data
- arxiv url: http://arxiv.org/abs/2304.07855v1
- Date: Sun, 16 Apr 2023 18:38:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 16:59:14.687912
- Title: Penalized Likelihood Inference with Survey Data
- Title(参考訳): 調査データを用いた罰則的好き推論
- Authors: Joann Jasiak and Purevdorj Tuvaandorj
- Abstract要約: Debiased Lasso, $C(alpha)$, Selective Inferenceの3つの推論手法を調査環境に拡張する。
調査重量および/またはヘテロスケダスト性を有する一般線形モデルにおける推論手法の有効性を確立する。
非線形パラメータ関数の推論法を一般化する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper extends three Lasso inferential methods, Debiased Lasso,
$C(\alpha)$ and Selective Inference to a survey environment. We establish the
asymptotic validity of the inference procedures in generalized linear models
with survey weights and/or heteroskedasticity. Moreover, we generalize the
methods to inference on nonlinear parameter functions e.g. the average marginal
effect in survey logit models. We illustrate the effectiveness of the approach
in simulated data and Canadian Internet Use Survey 2020 data.
- Abstract(参考訳): 本稿では,3つのLasso推論手法,Debiased Lasso,$C(\alpha)$,Selective Inferenceを調査環境に拡張する。
調査重量および/またはヘテロスケダスティック性を有する一般線形モデルにおける推論手順の漸近的妥当性を確立する。
さらに,この手法を非線形パラメータ関数の推論,例えばサーベイロジットモデルにおける平均辺効果に一般化する。
シミュレーションデータとCanadian Internet Use Survey 2020データにおけるアプローチの有効性について述べる。
関連論文リスト
- Influence Functions for Scalable Data Attribution in Diffusion Models [52.92223039302037]
拡散モデルは、生成的モデリングに大きな進歩をもたらした。
しかし、彼らの普及はデータ属性と解釈可能性に関する課題を引き起こす。
本稿では,テキスト・インフルエンス・ファンクション・フレームワークを開発することにより,このような課題に対処することを目的とする。
論文 参考訳(メタデータ) (2024-10-17T17:59:02Z) - Learning from Uncertain Data: From Possible Worlds to Possible Models [13.789554282826835]
本研究では,不確実性のあるデータから線形モデルを学習するための効率的な手法を提案する。
我々はこれらのデータセットの変動をコンパクトに表現し、すべての可能な世界における勾配勾配のシンボリックな実行を可能にする。
提案手法は,全ての可能な最適モデルと予測範囲を過度に近似する。
論文 参考訳(メタデータ) (2024-05-28T19:36:55Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Causal Inference via Nonlinear Variable Decorrelation for Healthcare
Applications [60.26261850082012]
線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。
我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
論文 参考訳(メタデータ) (2022-09-29T17:44:14Z) - A Subsampling-Based Method for Causal Discovery on Discrete Data [18.35147325731821]
本研究では,原因発生方式とメカニズムの独立性をテストするためのサブサンプリング方式を提案する。
我々の手法は、離散データと分類データの両方で機能し、データ上の機能的モデルを含まないため、より柔軟なアプローチである。
論文 参考訳(メタデータ) (2021-08-31T17:11:58Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Robust Bayesian Inference for Discrete Outcomes with the Total Variation
Distance [5.139874302398955]
離散的に評価された結果のモデルは、データがゼロインフレーション、過分散または汚染を示す場合、容易に誤特定される。
ここでは、Ttal Variation Distance (TVD) を用いた頑健な相違に基づくベイズ的アプローチを提案する。
我々は、我々のアプローチが堅牢で、シミュレーションおよび実世界のデータの範囲で予測性能を著しく改善していることを実証的に実証した。
論文 参考訳(メタデータ) (2020-10-26T09:53:06Z) - Stochastic Variational Bayesian Inference for a Nonlinear Forward Model [2.578242050187029]
変分ベイズ(VB)は、データから非線形モデルの文脈における後部分布の計算を容易にするために用いられる。
以前は、加法ガウス雑音を伴うデータに対する非線形モデル推論のために、VBの分析的定式化が導出されてきた。
ここでは、解析的定式化に必要な近似の一部を回避した解が導出される。
論文 参考訳(メタデータ) (2020-07-03T13:30:50Z) - Nonlinear Dimensionality Reduction for Data Visualization: An
Unsupervised Fuzzy Rule-based Approach [5.5612170847190665]
本稿では,主にデータ可視化のための教師なしファジィ規則に基づく次元削減手法を提案する。
入力データ中のクラスタを用いて,一階の高木-菅野型モデルを用いてルール前駆体を生成する。
提案手法を3つの実世界のデータセットと3つの実世界のデータセットに適用し、その結果を他の4つの標準データ可視化手法と視覚的に比較する。
論文 参考訳(メタデータ) (2020-04-08T10:33:06Z)
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。