論文の概要: Optimal Categorical Instrumental Variables
- arxiv url: http://arxiv.org/abs/2311.17021v1
- Date: Tue, 28 Nov 2023 18:20:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 17:15:03.554467
- Title: Optimal Categorical Instrumental Variables
- Title(参考訳): 最適分類器変数
- Authors: Thomas Wiemann
- Abstract要約: 最適測定器の支持の濃度が知られているとき、CIV は根直正規であり、IV 推定器と同じ分散が得られることを示す。
サポートポイントの数を具体化すれば効率は低下するが、正常性は維持される。
- 参考スコア(独自算出の注目度): 3.8345094002023954
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper discusses estimation with a categorical instrumental variable in
settings with potentially few observations per category. The proposed
categorical instrumental variable estimator (CIV) leverages a regularization
assumption that implies existence of a latent categorical variable with fixed
finite support achieving the same first stage fit as the observed instrument.
In asymptotic regimes that allow the number of observations per category to
grow at arbitrary small polynomial rate with the sample size, I show that when
the cardinality of the support of the optimal instrument is known, CIV is
root-n asymptotically normal, achieves the same asymptotic variance as the
oracle IV estimator that presumes knowledge of the optimal instrument, and is
semiparametrically efficient under homoskedasticity. Under-specifying the
number of support points reduces efficiency but maintains asymptotic normality.
- Abstract(参考訳): 本稿では,カテゴリごとの観測回数が少なく,分類器変数による推定について考察する。
提案した分類器変数推定器 (CIV) は、観測機器と同じ第1段階の適合を達成できる固定有限支持を有する潜在カテゴリー変数の存在を示唆する正規化仮定を利用する。
サンプルサイズと任意の小さな多項式速度でカテゴリごとの観測回数を増大させる漸近的状態において、最適楽器の支持の濃度が知られているとき、CIVは根n漸近的正規であり、最適楽器の知識を推定するオラクルIV推定器と同じ漸近的分散を達成し、半パラメトリック的にホモスケダスティック性の下で効率が良いことを示す。
支持点の数を過小評価することで効率は低下するが、漸近正規性は維持される。
関連論文リスト
- Adaptive Linear Estimating Equations [5.985204759362746]
本稿では,デバイアス推定器の一般的な構成法を提案する。
適応線形推定方程式の考え方を利用し、正規性の理論的保証を確立する。
我々の推定器の健全な特徴は、マルチアームバンディットの文脈では、我々の推定器は非漸近的な性能を保っていることである。
論文 参考訳(メタデータ) (2023-07-14T12:55:47Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳(メタデータ) (2023-01-16T02:57:37Z) - Asymptotically Unbiased Instance-wise Regularized Partial AUC
Optimization: Theory and Algorithm [101.44676036551537]
One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。
既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。
本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
論文 参考訳(メタデータ) (2022-10-08T08:26:22Z) - Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。
これらの結果はサンプル状態と有限状態の両方で定式化する。
論文 参考訳(メタデータ) (2022-10-03T06:09:01Z) - Off-policy estimation of linear functionals: Non-asymptotic theory for
semi-parametric efficiency [59.48096489854697]
観測データに基づいて線形汎関数を推定する問題は、因果推論と包帯文献の両方において標準的である。
このような手順の平均二乗誤差に対して非漸近上界を証明した。
非漸近的局所ミニマックス下限をマッチングすることにより、有限標本のインスタンス依存最適性を確立する。
論文 参考訳(メタデータ) (2022-09-26T23:50:55Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Counterfactual inference for sequential experiments [12.900489038342409]
複数の単位に複数の時間点に対する処理を割り当てるシーケンシャルな設計実験のアフタースタディ統計的推測を考察する。
我々のゴールは、最小限のスケールで、カウンターファクト平均に対する推論保証を提供することです。
我々は,いくつかのシミュレーションと,モバイル医療臨床試験HeartStepsのデータを含むケーススタディを通して,我々の理論を解説する。
論文 参考訳(メタデータ) (2022-02-14T17:24:27Z) - Semi-Supervised Quantile Estimation: Robust and Efficient Inference in
High Dimensional Settings [0.07031569227782805]
2つの利用可能なデータセットを特徴とする半教師付き環境での量子推定を考察する。
本稿では,2つのデータセットに基づいて,応答量子化(s)に対する半教師付き推定器群を提案する。
論文 参考訳(メタデータ) (2022-01-25T10:02:23Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z) - Sample Complexity Result for Multi-category Classifiers of Bounded
Variation [0.0]
経験的L1-ノルム被覆数を用いて,多カテゴリ分類器における経験的および一般化性能の均一な偏差の確率を制御した。
上記の性能が高い確率で近づくのに十分なサンプルサイズ推定を導出する。
論文 参考訳(メタデータ) (2020-03-20T10:20:45Z)
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。