論文の概要: Incentive-Aware Synthetic Control: Accurate Counterfactual Estimation via Incentivized Exploration

• arxiv url: http://arxiv.org/abs/2312.16307v2
• Date: Tue, 13 Feb 2024 22:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 18:59:33.285113
• 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「オーバーラップ」の合成制御法(SCM)においてしばしば見過ごされるが、ユビキタスな仮定に光を当てた。 我々は、通常考慮しない介入を行うために、異なる好みのユニットにインセンティブを与えるフレームワークを提案する。 そこでは、制御だけでなく、すべての介入の下で対実的な結果を生み出すことを目標としています。
• 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 the setting of synthetic control methods (SCMs), a canonical approach used to estimate the treatment effect on the treated in a panel data setting. We shed light on a frequently overlooked but ubiquitous assumption made in SCMs of "overlap": a treated unit can be written as some combination -- typically, convex or linear combination -- of the units that remain under control. We show that if units select their own interventions, and there is sufficiently large heterogeneity between units that prefer different interventions, overlap will not hold. We address this issue by proposing a framework which incentivizes units with different preferences to take interventions they would not normally consider. Specifically, leveraging tools from information design and online learning, we propose a SCM that incentivizes exploration in panel data settings by providing incentive-compatible intervention recommendations to units. We establish this estimator obtains valid counterfactual estimates without the need for an a priori overlap assumption. We extend our results to the setting of synthetic interventions, where the goal is to produce counterfactual outcomes under all interventions, not just control. Finally, we provide two hypothesis tests for determining whether unit overlap holds for a given panel dataset.
• Abstract（参考訳）: パネルデータ設定における治療効果を推定するための標準的手法である合成制御法(scms)の設定について検討する。 我々は、頻繁に見過ごされるが、"オーバーラップ"というSCMのユビキタスな仮定に光を当てた: 処理されたユニットは、制御下にあるユニットのある種の組み合わせ(典型的には凸または線形結合)として記述できる。 ユニットが自身の介入を選択し、異なる介入を好むユニット間に十分な大きな不均一性があれば、重複は保たないことを示す。 我々は、通常考慮しない介入を行う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フレームワークを提案することでこの問題に対処する。 具体的には、情報設計とオンライン学習からツールを活用することで、インセンティブに適合した介入勧告をユニットに提供することにより、パネルデータ設定における探索を動機付けるSCMを提案する。 この推定器は,事前重複仮定を必要とせずに,有効な反事実推定を行う。 そこでは、制御だけでなく、すべての介入の下で対実的な結果を生み出すことを目標としています。 最後に、与えられたパネルデータセットに対してユニットオーバーラップが成立するかどうかを決定するための2つの仮説テストを提供する。

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。