論文の概要: Triple/Debiased Lasso for Statistical Inference of Conditional Average Treatment Effects

• arxiv url: http://arxiv.org/abs/2403.03240v1
• Date: Tue, 5 Mar 2024 18:29:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 17:02:36.752886
• Title: Triple/Debiased Lasso for Statistical Inference of Conditional Average Treatment Effects
• Title（参考訳）: 条件付き平均処理効果の統計的推定のための三重脱ベンゾラッソ
• Authors: Masahiro Kato
• Abstract要約: 本研究では,条件付き平均処理効果(CATE)の推定と統計的推定について検討する。 我々は、二項処理に関連する結果に対する線形モデルを仮定し、CATEをこれらの線形モデルの期待結果の差として定義する。 DML法とデバイアスド・ラッソ法の両方を応用した3重・デバイアスド・ラッソ (TDL) と呼ぶ。
• 参考スコア（独自算出の注目度）: 10.470114319701576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates the estimation and the statistical inference about Conditional Average Treatment Effects (CATEs), which have garnered attention as a metric representing individualized causal effects. In our data-generating process, we assume linear models for the outcomes associated with binary treatments and define the CATE as a difference between the expected outcomes of these linear models. This study allows the linear models to be high-dimensional, and our interest lies in consistent estimation and statistical inference for the CATE. In high-dimensional linear regression, one typical approach is to assume sparsity. However, in our study, we do not assume sparsity directly. Instead, we consider sparsity only in the difference of the linear models. We first use a doubly robust estimator to approximate this difference and then regress the difference on covariates with Lasso regularization. Although this regression estimator is consistent for the CATE, we further reduce the bias using the techniques in double/debiased machine learning (DML) and debiased Lasso, leading to $\sqrt{n}$-consistency and confidence intervals. We refer to the debiased estimator as the triple/debiased Lasso (TDL), applying both DML and debiased Lasso techniques. We confirm the soundness of our proposed method through simulation studies.
• Abstract（参考訳）: 本研究では,個別因果効果を示す指標として注目されている条件平均処理効果(CATE)の推定と統計的推測について検討した。 データ生成プロセスでは、バイナリ処理に関連する結果の線形モデルを仮定し、CATEをこれらの線形モデルが期待する結果の差として定義する。 この研究により線形モデルは高次元となり、我々の関心はCATEに対する一貫した推定と統計的推測にある。 高次元線形回帰において、典型的なアプローチは空間性を仮定することである。 しかし,本研究では,空間性を直接仮定するものではない。 その代わり、線形モデルの差のみに空間性を考える。 まず2つの頑健な推定器を用いてこの差を近似し、次にラッソ正則化との共変量差を回帰する。 この回帰推定器はcateに対して一貫しているが、dml(double/debiased machine learning)とlasso(debiased lasso)のテクニックを使ってバイアスをさらに低減し、$\sqrt{n}$-consistencyと信頼区間に繋がる。 我々は、debiased estimatorをtriple/debiased lasso (tdl)と呼び、dml法とdebiased lasso法の両方を適用する。 提案手法の音質をシミュレーション研究により確認する。

関連論文リスト

• Interval Estimation of Coefficients in Penalized Regression Models of Insurance Data [3.5637073151604093]
  ツイーディー指数分散ファミリーは、保険の損失をモデル化するために多くの人々の間で人気がある。 内在変数を記述する最も重要な特徴の信頼性(推論)を得るためには、しばしば重要である。
  論文  参考訳（メタデータ） (2024-10-01T18:57:18Z)
• Revisiting the Dataset Bias Problem from a Statistical Perspective [72.94990819287551]
  統計的観点から「データセットバイアス」問題を考察する。 問題の主な原因は、クラス属性 u と非クラス属性 b の強い相関関係である。 本稿では,各試料nの目的をフラクタル1p(u_n|b_n)で重み付けするか,その試料をフラクタル1p(u_n|b_n)に比例してサンプリングすることにより,データセットバイアスを軽減することを提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:58:06Z)
• Efficient Truncated Linear Regression with Unknown Noise Variance [26.870279729431328]
  雑音のばらつきが不明な場合に, 線形回帰の計算的, 統計的に効率的な推定器を提案する。 提案手法は, トランキャット標本の負の類似度に対して, プロジェクテッド・グラディエント・ディフレッシュを効果的に実装することに基づく。
  論文  参考訳（メタデータ） (2022-08-25T12:17:37Z)
• Benign-Overfitting in Conditional Average Treatment Effect Prediction with Linear Regression [14.493176427999028]
  線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。 一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
  論文  参考訳（メタデータ） (2022-02-10T18:51:52Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)

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。