論文の概要: Structure-agnostic Optimality of Doubly Robust Learning for Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2402.14264v2
• Date: Sat, 2 Mar 2024 02:00:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 19:46:18.816879
• Title: Structure-agnostic Optimality of Doubly Robust Learning for Treatment Effect Estimation
• Title（参考訳）: 治療効果推定のための二重ロバスト学習の構造依存的最適性
• Authors: Jikai Jin and Vasilis Syrgkanis
• Abstract要約: 平均処理効果推定は因果推論において最も中心的な問題であり、多くの分野に適用できる。 我々は最近導入された統計的下界の構造非依存の枠組みを採用し、ニュアンス関数に構造的特性を生じさせない。 平均治療効果 (ATE) と平均治療効果 (ATT) の両方に対して, 有意かつ広く用いられている2重頑健性評価器の統計的最適性を証明する。
• 参考スコア（独自算出の注目度）: 27.630223763160515
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Average treatment effect estimation is the most central problem in causal inference with application to numerous disciplines. While many estimation strategies have been proposed in the literature, the statistical optimality of these methods has still remained an open area of investigation, especially in regimes where these methods do not achieve parametric rates. In this paper, we adopt the recently introduced structure-agnostic framework of statistical lower bounds, which poses no structural properties on the nuisance functions other than access to black-box estimators that achieve some statistical estimation rate. This framework is particularly appealing when one is only willing to consider estimation strategies that use non-parametric regression and classification oracles as black-box sub-processes. Within this framework, we prove the statistical optimality of the celebrated and widely used doubly robust estimators for both the Average Treatment Effect (ATE) and the Average Treatment Effect on the Treated (ATT), as well as weighted variants of the former, which arise in policy evaluation.
• Abstract（参考訳）: 平均処理効果推定は因果推論において最も中心的な問題であり、多くの分野に適用できる。 多くの推定戦略が文献で提案されているが、これらの方法の統計的最適性は、特にパラメトリック率を達成していない状況において、まだ調査の対象となっている。 本稿では,最近導入された統計下限の構造非依存な枠組みを採用し,統計的な推定率を達成するブラックボックス推定子へのアクセス以外に,ニュアサンス関数の構造的特性をもたらさない。 この枠組みは、非パラメトリック回帰と分類オラクルをブラックボックスのサブプロセスとして利用する推定戦略のみを考えると特に魅力的である。 この枠組みでは, 平均治療効果 (ate) と治療効果 (att) に対する平均治療効果, および政策評価において生じる重み付けされた前者に対する重み付け型の両方に対して, 祝われ, 広く使用される二重ロバストな推定器の統計的最適性を証明する。

関連論文リスト

• Evaluating the Effectiveness of Index-Based Treatment Allocation [42.040099398176665]
  リソースが不足している場合には、リソースを誰が受け取るかを決定するためにアロケーションポリシーが必要である。 本稿では、ランダム化制御試験のデータを用いて、インデックスベースのアロケーションポリシーを評価する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T01:55:55Z)
• Targeted Machine Learning for Average Causal Effect Estimation Using the Front-Door Functional [3.0232957374216953]
  結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。 本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。 本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Distributional Off-Policy Evaluation for Slate Recommendations [19.22972996548473]
  本研究では,スレートの非政治的性能分布を推定する手法を提案する。 本研究では,実世界のデータから構築したスレートレコメンデーションシミュレータ上で,人工データおよび人工データに対す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） (2023-08-27T17:58:32Z)
• Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
  本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。 実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
  論文  参考訳（メタデータ） (2023-03-11T11:42:26Z)
• Systematic Evaluation of Predictive Fairness [60.0947291284978]
  バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。 複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。 データ条件が相対モデルの性能に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T05:40:13Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Stochastic Intervention for Causal Effect Estimation [7.015556609676951]
  介入効果を推定するための新しい確率スコアと介入効果推定器(SIE)を提案する。 また,介入効果(Ge-SIO)に特異的な遺伝的アルゴリズムを設計し,意思決定の因果的証拠を提供する。 提案手法とアルゴリズムは,最先端のベースラインと比較して,大幅な性能向上を実現することができる。
  論文  参考訳（メタデータ） (2021-05-27T01:12:03Z)
• Bootstrapping Statistical Inference for Off-Policy Evaluation [43.79456564713911]
  オフ政治評価(OPE)におけるブートストラップの利用について検討する。 本稿では,政策評価誤差の分布を推定するブートストラップFQE法を提案し,この手法が政治外の統計的推測に有効で一貫性があることを示す。 我々は,古典的RL環境におけるブートラッピング手法の評価を行い,信頼区間推定,オフポリチック評価器のばらつきの推定,複数オフポリチック評価器の相関性の推定を行った。
  論文  参考訳（メタデータ） (2021-02-06T16:45:33Z)
• Reliable Off-policy Evaluation for Reinforcement Learning [53.486680020852724]
  シーケンシャルな意思決定問題において、非政治評価は、目標政策の期待累積報酬を推定する。 本稿では、1つまたは複数のログデータを用いて、ロバストで楽観的な累積報酬推定を提供する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-08T23:16:19Z)
• Efficient Policy Learning from Surrogate-Loss Classification Reductions [65.91730154730905]
  本稿では,政策学習におけるサロゲート-ロス分類の重み付けによる推定問題について考察する。 適切な仕様の仮定の下では、重み付けされた分類定式化はポリシーパラメーターに対して効率的でないことが示される。 本稿では,ポリシーパラメータに対して効率的なモーメントの一般化手法に基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2020-02-12T18:54:41Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)

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。