論文の概要: Identifiable causal inference with noisy treatment and no side
information
- arxiv url: http://arxiv.org/abs/2306.10614v1
- Date: Sun, 18 Jun 2023 18:38:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 19:34:14.898883
- Title: Identifiable causal inference with noisy treatment and no side
information
- Title(参考訳): 雑音処理とサイド情報のない同定可能な因果推論
- Authors: Antti P\"oll\"anen, Pekka Marttinen
- Abstract要約: 本研究では,不正確な連続処理変数を仮定するモデルについて検討する。
提案手法の因果効果推定は, 測定誤差のばらつきや, その他の側面情報の知識がなくても, 同定可能であることを証明した。
我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
- 参考スコア(独自算出の注目度): 4.407254732921214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In some causal inference scenarios, the treatment (i.e. cause) variable is
measured inaccurately, for instance in epidemiology or econometrics. Failure to
correct for the effect of this measurement error can lead to biased causal
effect estimates. Previous research has not studied methods that address this
issue from a causal viewpoint while allowing for complex nonlinear dependencies
and without assuming access to side information. For such as scenario, this
paper proposes a model that assumes a continuous treatment variable which is
inaccurately measured. Building on existing results for measurement error
models, we prove that our model's causal effect estimates are identifiable,
even without knowledge of the measurement error variance or other side
information. Our method relies on a deep latent variable model where Gaussian
conditionals are parameterized by neural networks, and we develop an amortized
importance-weighted variational objective for training the model. Empirical
results demonstrate the method's good performance with unknown measurement
error. More broadly, our work extends the range of applications where reliable
causal inference can be conducted.
- Abstract(参考訳): いくつかの因果推論シナリオでは、例えば疫学や計量学において、治療変数(すなわち原因)が不正確に測定される。
この測定誤差の影響を補正できないと、偏りのある因果効果の推定につながる。
従来の研究では、複雑な非線形依存を可能とし、側面情報へのアクセスを前提とせず、因果的観点からこの問題に対処する方法は研究されていない。
シナリオとして,不正確な測定を行う連続処理変数を仮定したモデルを提案する。
測定誤差モデルに対する既存の結果に基づいて,測定誤差の分散やその他の側面情報を知ることなく,モデルの因果効果の推定値が同定可能であることを示す。
本手法は,ガウス条件がニューラルネットワークによってパラメータ化される深い潜在変数モデルに依拠し,モデル学習のための重要度重み付き変分目標を開発した。
実験結果から, 測定誤差が未知であることを示す。
より広い範囲において、我々の仕事は信頼できる因果推論ができるアプリケーションの範囲を広げます。
関連論文リスト
- Controlling for Unobserved Confounding with Large Language Model Classification of Patient Smoking Status [0.7443139252028033]
因果理解はエビデンスベースの医療の基本的な目標である。
それまでの研究では、機械学習との未観測の相違に対処することを提案した。
本稿では,患者の喫煙状況を予測するために,臨床ノートで訓練した大規模言語モデルを用いて,この方法論を拡張した。
論文 参考訳(メタデータ) (2024-11-05T11:05:53Z) - Valid causal inference with unobserved confounding in high-dimensional
settings [0.0]
半パラメトリックな推論が、観測されていない共同創設者や高次元ニュアンスモデルの存在下でどのように得られるかを示す。
本研究では、観測不能な共振を許容する不確実区間を提案し、観測不能な共振の量が小さい場合、その結果の推論が有効であることを示す。
論文 参考訳(メタデータ) (2024-01-12T13:21:20Z) - 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) - 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) - Independence Testing-Based Approach to Causal Discovery under
Measurement Error and Linear Non-Gaussian Models [9.016435298155827]
因果発見は、観測データを生成する因果構造を復元することを目的としている。
この問題の特定の定式化を考えると、観測されていない対象変数は非ガウス非巡回線型モデルに従う。
本研究では,ある測定変数の特定の線形変換と,他の測定変数との独立性をチェックする変態独立雑音条件を提案する。
論文 参考訳(メタデータ) (2022-10-20T05:10:37Z) - Causal Inference with Treatment Measurement Error: A Nonparametric
Instrumental Variable Approach [24.52459180982653]
原因が誤りである場合の因果効果に対するカーネルベースの非パラメトリック推定器を提案する。
提案手法であるMEKIVは,測定誤差の強度変化の下で,ベースラインを改良し,頑健であることを示す。
論文 参考訳(メタデータ) (2022-06-18T11:47:25Z) - 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) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-08T14:29:07Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z)
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。