論文の概要: Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices

• arxiv url: http://arxiv.org/abs/2403.03589v1
• Date: Wed, 6 Mar 2024 10:24:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 15:22:57.009740
• Title: Active Adaptive Experimental Design for Treatment Effect Estimation with Covariate Choices
• Title（参考訳）: 同変量選択による治療効果推定のための能動適応実験設計
• Authors: Masahiro Kato and Akihiro Oga and Wataru Komatsubara and Ryo Inokuchi
• Abstract要約: 実験者は,実験者が決定するコパラメトリック密度から実験単位を逐次サンプリングする適応実験を考える。 実験の最後に、実験者は収集されたサンプルを用いてATEを推定する。 実験者の目的は、より小さな分散でATEを推定することである。
• 参考スコア（独自算出の注目度）: 7.8856737627153874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study designs an adaptive experiment for efficiently estimating average treatment effect (ATEs). We consider an adaptive experiment where an experimenter sequentially samples an experimental unit from a covariate density decided by the experimenter and assigns a treatment. After assigning a treatment, the experimenter observes the corresponding outcome immediately. At the end of the experiment, the experimenter estimates an ATE using gathered samples. The objective of the experimenter is to estimate the ATE with a smaller asymptotic variance. Existing studies have designed experiments that adaptively optimize the propensity score (treatment-assignment probability). As a generalization of such an approach, we propose a framework under which an experimenter optimizes the covariate density, as well as the propensity score, and find that optimizing both covariate density and propensity score reduces the asymptotic variance more than optimizing only the propensity score. Based on this idea, in each round of our experiment, the experimenter optimizes the covariate density and propensity score based on past observations. To design an adaptive experiment, we first derive the efficient covariate density and propensity score that minimizes the semiparametric efficiency bound, a lower bound for the asymptotic variance given a fixed covariate density and a fixed propensity score. Next, we design an adaptive experiment using the efficient covariate density and propensity score sequentially estimated during the experiment. Lastly, we propose an ATE estimator whose asymptotic variance aligns with the minimized semiparametric efficiency bound.
• Abstract（参考訳）: 本研究では,平均治療効果(ate)を効率的に推定する適応実験を考案する。 実験者は,実験者が決定した共変量密度から実験単位を順次サンプリングし,治療を割り当てる適応実験を考える。 治療を割り当てた後、実験者は直ちに対応する結果を観察する。 実験の最後に、実験者は収集されたサンプルを用いてATEを推定する。 実験者の目的は、より小さな漸近的分散でATEを推定することである。 既存の研究は、プロペンサシティスコア(処理-割り当て確率)を適応的に最適化する実験をデザインしている。 このようなアプローチの一般化として,実験者が共変量密度とプロペンサリティスコアを最適化する枠組みを提案し,共変量密度とプロペンサリティスコアの両方を最適化することで,プロペンサリティスコアのみを最適化するよりも漸近的分散を低減できることを示す。 この考え方に基づき、実験者は実験の各ラウンドにおいて、過去の観測に基づいて共変密度と確率スコアを最適化する。 適応実験を設計するために, 半パラメトリックな効率の限界を最小限に抑える効率的な共変量密度とプロペンシティスコア, 固定された共変量密度と固定されたプロペンシティスコアの漸近分散に対する下限を導出する。 次に,効率の良い共変量密度とプロペンシティスコアを用いて,実験中に逐次推定した適応実験を考案する。 最後に、漸近的分散が最小の半パラメトリック効率境界と一致するATE推定器を提案する。

関連論文リスト

• Prediction-Guided Active Experiments [18.494123886098215]
  予測誘導能動実験(PGAE)のための新しいフレームワークについて紹介する。 PGAEは、既存の機械学習モデルからの予測を活用して、サンプリングと実験をガイドする。 我々は、PGAEが効率的であり続け、一定の正則性仮定の下で同じ半パラメトリック境界を得ることを示す。
  論文  参考訳（メタデータ） (2024-11-18T20:16:24Z)
• Variance reduction combining pre-experiment and in-experiment data [0.0]
  オンライン制御実験(A/Bテスト)は、多くの企業にとって、データ駆動による意思決定に不可欠である。 CUPEDやCUPACのような既存の手法では、実験前のデータを使って分散を減らすが、その効果は実験前のデータと結果の相関に依存する。 実験前データと実験内データを組み合わせて, CUPED や CUPAC よりも高分散化を実現する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T17:45:29Z)
• STATE: A Robust ATE Estimator of Heavy-Tailed Metrics for Variance Reduction in Online Controlled Experiments [22.32661807469984]
  我々は、学生のt分布と機械学習ツールを統合して、ヘビーテールのメトリクスに適合する新しいフレームワークを開発する。 ログ類似度関数を最適化するために変分EM法を採用することにより、アウトリアの負の影響を大幅に排除するロバストな解を推測できる。 Meituan実験プラットフォーム上での合成データと長期実験結果のシミュレーションにより,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-23T09:35:59Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• Adaptive Instrument Design for Indirect Experiments [48.815194906471405]
  RCTとは異なり、間接的な実験は条件付き機器変数を利用して治療効果を推定する。 本稿では,データ収集ポリシーを適応的に設計することで,間接実験におけるサンプル効率の向上に向けた最初のステップについて述べる。 我々の主な貢献は、影響関数を利用して最適なデータ収集ポリシーを探索する実用的な計算手順である。
  論文  参考訳（メタデータ） (2023-12-05T02:38:04Z)
• Choosing a Proxy Metric from Past Experiments [54.338884612982405]
  多くのランダム化実験では、長期的な計量の処理効果は測定が困難または不可能であることが多い。 一般的な方法は、いくつかの短期的プロキシメトリクスを計測して、長期的メトリックを綿密に追跡することである。 ランダム化実験の同種集団において最適なプロキシメトリックを定義し構築するための新しい統計フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-09-14T17:43:02Z)
• Scalable method for Bayesian experimental design without integrating over posterior distribution [0.0]
  実験問題のA-最適ベイズ設計における計算効率について検討する。 A-最適性はベイズの実験設計に広く用いられ、容易に解釈できる基準である。 本研究は, A-Optimal 実験設計における新しい可能性のないアプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:40:43Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
  ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。 そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
  論文  参考訳（メタデータ） (2021-08-25T21:30:27Z)
• 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)
• Efficient Adaptive Experimental Design for Average Treatment Effect Estimation [18.027128141189355]
  本研究では, 依存サンプルから構築した推定器を用いた効率的な実験法を提案する。 提案手法を正当化するために,有限および無限サンプル解析を行う。
  論文  参考訳（メタデータ） (2020-02-13T02:04:17Z)

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。