論文の概要: Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning
- arxiv url: http://arxiv.org/abs/2307.01049v1
- Date: Mon, 3 Jul 2023 14:27:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 12:50:01.319571
- Title: Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning
- Title（参考訳）: 機械学習による直接的および間接的量子処理効果の二重ロバスト推定
- Authors: Yu-Chin Hsu and Martin Huber and Yu-Min Yen
- Abstract要約: 本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。
提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。
また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We suggest double/debiased machine learning estimators of direct and indirect
quantile treatment effects under a selection-on-observables assumption. This
permits disentangling the causal effect of a binary treatment at a specific
outcome rank into an indirect component that operates through an intermediate
variable called mediator and an (unmediated) direct impact. The proposed method
is based on the efficient score functions of the cumulative distribution
functions of potential outcomes, which are robust to certain misspecifications
of the nuisance parameters, i.e., the outcome, treatment, and mediator models.
We estimate these nuisance parameters by machine learning and use cross-fitting
to reduce overfitting bias in the estimation of direct and indirect quantile
treatment effects. We establish uniform consistency and asymptotic normality of
our effect estimators. We also propose a multiplier bootstrap for statistical
inference and show the validity of the multiplier bootstrap. Finally, we
investigate the finite sample performance of our method in a simulation study
and apply it to empirical data from the National Job Corp Study to assess the
direct and indirect earnings effects of training.
- Abstract（参考訳）: 本稿では, 直接的および間接的量子的処理効果の2次/脱バイアス機械学習推定器を提案する。
これにより、特定の結果ランクにおけるバイナリ処理の因果効果を、中間変数であるmediatorと(媒介しない)直接的影響を介して作用する間接的コンポーネントに分解することができる。
提案手法は,有意な結果の累積分布関数の効率的なスコア関数に基づいており,これはニュアンスパラメータの特定の不特定性(結果,治療,メディエータモデル)に頑健である。
機械学習を用いてこれらのニュアンスパラメータを推定し、直接的および間接的量子的処理効果の推定における過度適合バイアスを低減する。
我々は効果推定器の均一な一貫性と漸近正規性を確立する。
また,統計的推測のための乗算ブートストラップを提案し,乗算ブートストラップの有効性を示す。
最後に,本手法の有限サンプル性能をシミュレーションスタディで検証し,ナショナル・ジョブ・コーポレーション・スタディの実証データに適用し,トレーニングの直接的および間接的な利益効果を評価する。
関連論文リスト
- Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction [6.909352249236339]
ランダム化実験における分散処理効果パラメータを推定するための新しい回帰調整法を提案する。
提案手法では,事前処理による協調処理を分散回帰フレームワークに組み込み,機械学習技術を用いて分散処理効果推定器の精度を向上させる。
論文 参考訳（メタデータ） (2024-07-22T20:28:29Z) - Continuous Treatment Effect Estimation Using Gradient Interpolation and
Kernel Smoothing [43.259723628010896]
個人を個別に標本化し,反現実的結果を推測する直接的アプローチを提唱する。
提案手法を5つのベンチマークで評価し,提案手法が6つの最先端手法よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2024-01-27T15:52:58Z) - Treatment Effect Estimation with Observational Network Data using
Machine Learning [0.0]
治療効果推定のための因果推論法は、通常独立した単位を仮定する。
本研究では,1つの(社会的)ネットワークからの観測データによる処理の直接効果を推定・推定するための拡張逆確率(AIPW)を開発した。
論文 参考訳（メタデータ） (2022-06-29T12:52:41Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳（メタデータ） (2021-06-07T17:47:16Z) - 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) - Double machine learning for sample selection models [0.12891210250935145]
本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。
a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
論文 参考訳（メタデータ） (2020-11-30T19:40:21Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳（メタデータ） (2020-03-02T15:21:20Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z) - Nonparametric inference for interventional effects with multiple
mediators [0.0]
より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。
提案した推定器の複数のロバスト性特性を示す。
本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
論文 参考訳（メタデータ） (2020-01-16T19:05:00Z)
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。