論文の概要: Entrywise Inference for Causal Panel Data: A Simple and Instance-Optimal
Approach
- arxiv url: http://arxiv.org/abs/2401.13665v1
- Date: Wed, 24 Jan 2024 18:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 13:44:47.293525
- Title: Entrywise Inference for Causal Panel Data: A Simple and Instance-Optimal
Approach
- Title(参考訳): 因果パネルデータのエントリワイズ推論:単純かつインスタンス最適アプローチ
- Authors: Yuling Yan, Martin J. Wainwright
- Abstract要約: 本研究では,予め規定されたカバレッジ保証を伴うエントリワイド信頼区間を構築するためのデータ駆動方式を開発する。
本分析は,行列記述モデルに適用したSVDアルゴリズムの一般的な推論ツールボックスに基づく。
- 参考スコア(独自算出の注目度): 32.253391125106674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In causal inference with panel data under staggered adoption, the goal is to
estimate and derive confidence intervals for potential outcomes and treatment
effects. We propose a computationally efficient procedure, involving only
simple matrix algebra and singular value decomposition. We derive
non-asymptotic bounds on the entrywise error, establishing its proximity to a
suitably scaled Gaussian variable. Despite its simplicity, our procedure turns
out to be instance-optimal, in that our theoretical scaling matches a local
instance-wise lower bound derived via a Bayesian Cram\'{e}r-Rao argument. Using
our insights, we develop a data-driven procedure for constructing entrywise
confidence intervals with pre-specified coverage guarantees. Our analysis is
based on a general inferential toolbox for the SVD algorithm applied to the
matrix denoising model, which might be of independent interest.
- Abstract(参考訳): パネルデータを用いた因果推論では、潜在的な結果と治療効果に対する信頼区間を推定し、導出することが目的である。
単純な行列代数と特異値分解のみを含む計算効率の高い手順を提案する。
入射誤差の非漸近境界を導出し、適切なスケールのガウス変数に近接性を確立する。
その単純さにもかかわらず、我々の手順は、ベイジアン・クラム\'{e}r-ラオの引数によって導かれる局所的なインスタンス右下界と、理論的なスケーリングが一致していることが判明した。
本研究は,データ駆動方式を用いて,予め規定されたカバレッジ保証付きエントリーワイド信頼区間を構築する。
本分析は,行列復調モデルに適用されたSVDアルゴリズムの一般的な推論ツールボックスに基づく。
関連論文リスト
- Efficient Numerical Integration in Reproducing Kernel Hilbert Spaces via
Leverage Scores Sampling [16.992480926905067]
本稿では,積分を対象確率測度に対して,積分の点的評価のみを用いて近似する問題を考察する。
本稿では,初期観測から得られる近似レバレッジスコアを用いて,$mn$サンプルのランダムな小部分集合を均一に描画するか,あるいは近似的に評価する手法を提案する。
論文 参考訳(メタデータ) (2023-11-22T17:44:18Z) - Distributionally Robust Skeleton Learning of Discrete Bayesian Networks [9.46389554092506]
我々は、潜在的に破損したデータから一般的な離散ベイズネットワークの正確なスケルトンを学習する問題を考察する。
本稿では,有界ワッサーシュタイン距離(KL)における分布群に対する最も有害なリスクを,経験的分布へのKL分散を最適化することを提案する。
本稿では,提案手法が標準正規化回帰手法と密接に関連していることを示す。
論文 参考訳(メタデータ) (2023-11-10T15:33:19Z) - Self-Supervised Dataset Distillation for Transfer Learning [82.09002658558529]
ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。
両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。
転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
論文 参考訳(メタデータ) (2023-10-10T10:48:52Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳(メタデータ) (2023-06-13T01:18:16Z) - Online Bootstrap Inference with Nonconvex Stochastic Gradient Descent
Estimator [0.0]
本稿では,凸問題の文脈における統計的推論のための勾配降下(SGD)の理論的性質について検討する。
多重誤差最小値を含む2つの干渉手順を提案する。
論文 参考訳(メタデータ) (2023-06-03T22:08:10Z) - Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。
これらの問題に対する新規で簡単な最適化法を開発した。
結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文 参考訳(メタデータ) (2021-09-23T17:38:24Z) - Near-Optimal High Probability Complexity Bounds for Non-Smooth
Stochastic Optimization with Heavy-Tailed Noise [63.304196997102494]
アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。
既存の非滑らか凸最適化法は、負のパワーまたは対数的な信頼度に依存する境界の複雑さを持つ。
クリッピングを用いた2つの勾配法に対して, 新たなステップサイズルールを提案する。
論文 参考訳(メタデータ) (2021-06-10T17:54:21Z) - Understanding Implicit Regularization in Over-Parameterized Single Index
Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。
暗黙正則化現象の理論的保証を提供する。
論文 参考訳(メタデータ) (2020-07-16T13:27:47Z) - One-Bit Compressed Sensing via One-Shot Hard Thresholding [7.594050968868919]
1ビット圧縮センシングの問題は、いくつかのバイナリ測定からスパース信号を推定することである。
広範に使われている非制約の幅の概念から遠ざかる、斬新で簡潔な分析法を提案する。
論文 参考訳(メタデータ) (2020-07-07T17:28:03Z) - Beyond the Mean-Field: Structured Deep Gaussian Processes Improve the
Predictive Uncertainties [12.068153197381575]
高速収束を達成しつつ、潜在過程間の共分散を維持できる新しい変分族を提案する。
新しいアプローチの効率的な実装を提供し、それをいくつかのベンチマークデータセットに適用します。
優れた結果をもたらし、最先端の代替品よりも精度とキャリブレーションされた不確実性推定とのバランスが良くなる。
論文 参考訳(メタデータ) (2020-05-22T11:10:59Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳(メタデータ) (2020-03-05T14:33:20Z)
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。