論文の概要: Model-Agnostic Covariate-Assisted Inference on Partially Identified Causal Effects

• arxiv url: http://arxiv.org/abs/2310.08115v2
• Date: Sun, 17 Nov 2024 05:39:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:27:15.661909
• Title: Model-Agnostic Covariate-Assisted Inference on Partially Identified Causal Effects
• Title（参考訳）: モデル非依存的共変量による部分的同定因果効果の推論
• Authors: Wenlong Ji, Lihua Lei, Asher Spector,
• Abstract要約: 多くの因果推定値は、潜在的な結果間の観測不能な関節分布に依存するため、部分的にしか識別できない。 本研究では,部分的同定された推定値の広いクラスに対して,統一的かつモデルに依存しない推論手法を提案する。
• 参考スコア（独自算出の注目度）: 1.9253333342733674
• License:
• Abstract: Many causal estimands are only partially identifiable since they depend on the unobservable joint distribution between potential outcomes. Stratification on pretreatment covariates can yield sharper bounds; however, unless the covariates are discrete with relatively small support, this approach typically requires binning covariates or estimating the conditional distributions of the potential outcomes given the covariates. Binning can result in substantial efficiency loss and become challenging to implement, even with a moderate number of covariates. Estimating conditional distributions, on the other hand, may yield invalid inference if the distributions are inaccurately estimated, such as when a misspecified model is used or when the covariates are high-dimensional. In this paper, we propose a unified and model-agnostic inferential approach for a wide class of partially identified estimands. Our method, based on duality theory for optimal transport problems, has four key properties. First, in randomized experiments, our approach can wrap around any estimates of the conditional distributions and provide uniformly valid inference, even if the initial estimates are arbitrarily inaccurate. A simple extension of our method to observational studies is doubly robust in the usual sense. Second, if nuisance parameters are estimated at semiparametric rates, our estimator is asymptotically unbiased for the sharp partial identification bound. Third, we can apply the multiplier bootstrap to select covariates and models without sacrificing validity, even if the true model is not selected. Finally, our method is computationally efficient. Overall, in three empirical applications, our method consistently reduces the width of estimated identified sets and confidence intervals without making additional structural assumptions.
• Abstract（参考訳）: 多くの因果推定値は、潜在的な結果間の観測不能な関節分布に依存するため、部分的にしか識別できない。 プレトリート共変量に対する成層化は、よりシャープな境界をもたらすことができるが、共変量は比較的小さな支持で離散的でない限り、この手法は、通常、共変量に与えられた潜在的な結果の条件分布を推定することを必要とする。 結合は実質的な効率損失をもたらし、適度な数の共変量でも実装が困難になる。 一方、条件分布の推定は、不特定モデルを用いた場合や、共変数が高次元である場合など、分布が不正確に推定された場合、無効な推論をもたらす可能性がある。 本稿では,広範囲に同定された部分的推定値に対する統一的,モデルに依存しない推論手法を提案する。 最適輸送問題に対する双対性理論に基づく本手法は、4つの重要な性質を持つ。 まず、ランダム化実験では、初期推定が任意に不正確な場合でも、条件分布の任意の推定をラップし、一様に妥当な推論を与えることができる。 観察研究への本手法の簡単な拡張は、通常の意味では二重に頑健である。 第二に、半パラメトリックレートでニュアンスパラメータを推定した場合、我々の推定器は鋭い部分識別境界に対して漸近的に偏りがない。 第3に、真のモデルが選択されていなくても、有効性を犠牲にすることなく、共変量やモデルを選択するために乗算器ブートストラップを適用することができる。 最後に,本手法は計算効率が高い。 総合的に3つの経験的応用において,本手法は構造的仮定を伴わずに,推定された集合と信頼区間の幅を一貫して減少させる。

関連論文リスト

• Accounting for Missing Covariates in Heterogeneous Treatment Estimation [17.09751619857397]
  生態学的推論に基づく新しい部分的識別戦略を導入する。 私たちのフレームワークは、他の方法では不可能であるよりもずっと厳密な境界を生成できることを示します。
  論文  参考訳（メタデータ） (2024-10-21T05:47:07Z)
• 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)
• Invariant Probabilistic Prediction [45.90606906307022]
  任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。 Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
  論文  参考訳（メタデータ） (2023-09-18T18:50:24Z)
• Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
  二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。 既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
  論文  参考訳（メタデータ） (2023-06-11T19:48:39Z)
• Covariate balancing using the integral probability metric for causal inference [1.8899300124593648]
  本稿では,2つの確率測度間の距離である積分確率測度(IPM)について検討する。 モデルを正確に指定することなく,対応する推定器の整合性を証明した。 提案手法は, 有限標本に対して, 既存の重み付け法よりも大きなマージンを有する。
  論文  参考訳（メタデータ） (2023-05-23T06:06:45Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)
• Nonparametric Score Estimators [49.42469547970041]
  未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。 正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。 カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
  論文  参考訳（メタデータ） (2020-05-20T15:01:03Z)

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。