論文の概要: Incentive-Aware Synthetic Control: Accurate Counterfactual Estimation
via Incentivized Exploration
- arxiv url: http://arxiv.org/abs/2312.16307v1
- Date: Tue, 26 Dec 2023 19:25:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 20:02:01.019726
- Title: Incentive-Aware Synthetic Control: Accurate Counterfactual Estimation
via Incentivized Exploration
- Title（参考訳）: インセンティブアウェア合成制御:インセンティブ探索による正確な偽物推定
- Authors: Daniel Ngo, Keegan Harris, Anish Agarwal, Vasilis Syrgkanis, Zhiwei
Steven Wu
- Abstract要約: 我々は、異なる介入の下で、時間とともに単位の測定を観察するパネルデータ設定について検討する。
本研究は,全ユニットが制御下にある事前介入期間の後に,全ユニットが制御下にあるドナーユニットのデータを用いて,操作後期間におけるテストユニットの対実結果の推定を行う合成制御法(SCM)の標準的ファミリに着目した。
- 参考スコア（独自算出の注目度）: 43.59040957749326
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider a panel data setting in which one observes measurements of units
over time, under different interventions. Our focus is on the canonical family
of synthetic control methods (SCMs) which, after a pre-intervention time period
when all units are under control, estimate counterfactual outcomes for test
units in the post-intervention time period under control by using data from
donor units who have remained under control for the entire post-intervention
period. In order for the counterfactual estimate produced by synthetic control
for a test unit to be accurate, there must be sufficient overlap between the
outcomes of the donor units and the outcomes of the test unit. As a result, a
canonical assumption in the literature on SCMs is that the outcomes for the
test units lie within either the convex hull or the linear span of the outcomes
for the donor units. However despite their ubiquity, such overlap assumptions
may not always hold, as is the case when, e.g., units select their own
interventions and different subpopulations of units prefer different
interventions a priori.
We shed light on this typically overlooked assumption, and we address this
issue by incentivizing units with different preferences to take interventions
they would not normally consider. Specifically, we provide a SCM for
incentivizing exploration in panel data settings which provides
incentive-compatible intervention recommendations to units by leveraging tools
from information design and online learning. Using our algorithm, we show how
to obtain valid counterfactual estimates using SCMs without the need for an
explicit overlap assumption on the unit outcomes.
- Abstract（参考訳）: 我々は、異なる介入の下で、時間とともに単位の測定を観察するパネルデータ設定について検討する。
我々は,すべてのユニットが制御されている介入前の期間を経た後に,介入後全期間にわたって管理下にあったドナーユニットのデータを用いて,介入後期間におけるテストユニットの非事実的成果を推定する合成制御方法(scms)の正準ファミリーに着目した。
テストユニットの合成制御によって生成された反事実推定が正確になるためには、ドナーユニットの結果とテストユニットの結果との間に十分な重なりがある必要がある。
その結果、SCMの文献における標準的な仮定は、試験単位の結果がドナー単位の結果の凸殻または線形スパン内にあるということである。
しかし、そのような重複した仮定は、例えば、単位が自身の介入を選択し、単位の異なるサブ集団が異なる介入を優先する場合のように、常に成り立つとは限らない。
我々は、通常見過ごされている仮定に光を当て、通常考慮しない介入を取るために異なる好みのユニットにインセンティブを与えることでこの問題に対処した。
具体的には、情報設計やオンライン学習のツールを活用して、インセンティブに相応しい介入勧告をユニットに提供するパネルデータ設定における探索のインセンティブ化のためのSCMを提供する。
提案手法を用いて,単位結果の重なりを明示することなく,scmを用いて妥当な反事実推定を得る方法を示す。
関連論文リスト
- Estimating Treatment Effects under Recommender Interference: A Structured Neural Networks Approach [13.208141830901845]
標準差分推定器は、推奨者干渉による偏差推定を導出できることを示す。
本稿では,処理項目と制御項目の両方を含むプールからどのアイテムが露出するかを記述した「レコメンダ選択モデル」を提案する。
提案した推定器はベンチマークに匹敵する結果が得られるのに対し,標準差分推定器は有意なバイアスを示し,また逆の兆候も生み出すことを示す。
論文 参考訳（メタデータ） (2024-06-20T14:53:26Z) - Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。
観察的および介入的設定における各変数の限界分布の比較に依拠する介入忠実性を導入する。
また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
論文 参考訳（メタデータ） (2024-05-28T16:07:17Z) - Differentially Private Synthetic Control [13.320917259299652]
我々は、明示的なエラー境界を持つ微分プライベートな合成制御のための最初のアルゴリズムを提供する。
我々は,アルゴリズムがターゲットユニットの正確な予測を行い,プライバシのコストが小さいことを示す。
論文 参考訳（メタデータ） (2023-03-24T15:49:29Z) - Open-Set Likelihood Maximization for Few-Shot Learning [36.97433312193586]
我々はFew-Shot Open-Set Recognition (FSOSR) 問題、すなわちいくつかのラベル付きサンプルしか持たないクラスのインスタンスを分類する問題に取り組む。
提案手法では,推論時に非競合なクエリインスタンスを利用する。
既存のトランスダクティブ手法はオープンセットのシナリオではうまく動作しないという観測により,最大極大原理の一般化を提案する。
論文 参考訳（メタデータ） (2023-01-20T01:56:19Z) - Neighborhood Adaptive Estimators for Causal Inference under Network
Interference [152.4519491244279]
我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。
干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。
このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
論文 参考訳（メタデータ） (2022-12-07T14:53:47Z) - Counterfactual inference for sequential experiments [17.817769460838665]
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) - 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) - Estimating the Effects of Continuous-valued Interventions using
Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。
我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。
継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-27T18:46:21Z) - 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) - Learning Overlapping Representations for the Estimation of
Individualized Treatment Effects [97.42686600929211]
観測データから代替案の可能性を推定することは難しい問題である。
入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。
我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
論文 参考訳（メタデータ） (2020-01-14T12:56:29Z)
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。