論文の概要: Two-Stage Nuisance Function Estimation for Causal Mediation Analysis
- arxiv url: http://arxiv.org/abs/2404.00735v2
- Date: Thu, 08 May 2025 22:21:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-12 20:40:09.929595
- Title: Two-Stage Nuisance Function Estimation for Causal Mediation Analysis
- Title（参考訳）: 因果メディエーション分析のための2段階ニュアンス関数推定
- Authors: Chang Liu, AmirEmad Ghassami,
- Abstract要約: 調停機能の影響関数におけるニュアンス関数の2段階推定法を提案する。
この戦略は、媒介機能に対する影響関数に基づく推定器のバイアス構造において、これらのニュアンス関数が果たす役割によって導かれる。
- 参考スコア（独自算出の注目度）: 10.364373675948679
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tchetgen Tchetgen and Shpitser (2012) introduced an efficient, debiased, and robust influence function-based estimator for the mediation functional, which is the key component in mediation analysis. This estimator relies on the treatment, mediator, and outcome mean mechanisms. However, treating these three mechanisms as nuisance functions and fitting them as accurately as possible may not be the most effective approach. Instead, it is essential to identify the specific functionals and aspects of these mechanisms that impact the estimation of the mediation functional. In this work, we propose a two-stage estimation strategy for certain nuisance functions in the influence function of the mediation functional that are based on these three mechanisms. This strategy is guided by the role those nuisance functions play in the bias structure of the influence function-based estimator for the mediation functional. In the first stage, we estimate two primary nuisance functions, namely the inverse treatment mechanism and the outcome mean mechanism. In the second stage, we leverage these primary functions to estimate two additional nuisance functions that encapsulate the needed information about the mediator mechanism. We propose a nonparametric weighted balancing estimation approach to design the estimator for one of the nuisance functions in Stage 1 and one of in Stage 2, where the weights are designed directly based on the bias of the final estimator for the mediation functional. The remaining two nuisance functions are estimated using standard parametric or nonparametric regression methods. Once all four nuisance functions are obtained, they are incorporated into the influence function-based estimator. We provide a robustness analysis of the proposed method and establish sufficient conditions for consistency and asymptotic normality of our estimator for the mediation functional.
- Abstract（参考訳）: Tchetgen Tchetgen and Shpitser (2012) は、メディエーション解析において重要な要素であるメディエーション機能に対する効率的で、偏りがあり、堅牢な影響関数に基づく推定器を導入した。
この推定器は治療、メディエーター、および結果平均メカニズムに依存している。
しかし、これら3つのメカニズムをニュアンス関数として扱い、可能な限り正確に適合させることは、最も効果的なアプローチではないかもしれない。
代わりに、メディエーション機能の推定に影響を与えるこれらのメカニズムの特定の機能と側面を特定することが不可欠である。
本研究では,これら3つのメカニズムに基づくメディエーション関数の影響関数におけるニュアンス関数の2段階推定手法を提案する。
この戦略は、媒介機能に対する影響関数に基づく推定器のバイアス構造において、これらのニュアンス関数が果たす役割によって導かれる。
第1段階では、逆処理機構と結果平均機構の2つの一次ニュアンス関数を推定する。
第2段階では、これらの一次関数を利用して、メディエータ機構に関する必要な情報をカプセル化する2つの追加ニュアンス関数を推定する。
本研究は,第1段階におけるニュアンス関数の1つと第2段階における1つのニュアンス関数の1つに対する推定器を設計するための非パラメトリック重み付きバランス推定手法を提案する。
残りの2つのニュアンス関数は、標準パラメトリック回帰法または非パラメトリック回帰法を用いて推定される。
4つのニュアンス関数がすべて得られれば、それらは影響関数に基づく推定器に組み込まれる。
提案手法のロバスト性解析を行い,メディエーション関数推定器の整合性と漸近正規性について十分な条件を確立する。
関連論文リスト
- Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。
オラクル形式は影響関数の一貫した近似であることを示す。
次に、平均二乗誤差の観点から総合収束解析を行う。
論文 参考訳（メタデータ） (2023-09-22T12:18:53Z) - Nuisance Function Tuning and Sample Splitting for Optimal Doubly Robust Estimation [5.018363990542611]
二重頑健な非パラメトリック関数に対する収束率の最適値を求めるために、ニュアンス関数を推定する方法の問題点を考察する。
プラグインおよび一階偏り補正された推定器は、ニュアンス関数のすべてのH"古い滑らか度クラスに対して収束の最小値が得られることを示す。
論文 参考訳（メタデータ） (2022-12-30T18:17:06Z) - 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) - Sequential Decision Making on Unmatched Data using Bayesian Kernel
Embeddings [10.75801980090826]
本稿では,関数の期待値を最大化する新しいアルゴリズムを提案する。
特徴の条件分布と未知関数の両方から導かれる不確実性について考察する。
本アルゴリズムは,実験において,現在最先端のアルゴリズムよりも経験的に優れている。
論文 参考訳（メタデータ） (2022-10-25T01:27:29Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - Inference on Strongly Identified Functionals of Weakly Identified
Functions [71.42652863687117]
本研究では,ニュアンス関数が存在しない場合でも,関数を強く識別するための新しい条件について検討する。
本稿では,プライマリおよびデバイアスのニュアンス関数に対するペナル化ミニマックス推定器を提案する。
論文 参考訳（メタデータ） (2022-08-17T13:38:31Z) - Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
線形関数近似を用いた強化学習における非政治的評価問題について検討する。
本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
論文 参考訳（メタデータ） (2021-06-22T17:58:46Z) - Multiply Robust Causal Mediation Analysis with Continuous Treatments [12.196869756333797]
Tchetgen Tchetgen と Shpitser の影響関数に基づく推定器 (2012) に触発された継続的治療の設定に適した推定器を提案する。
提案手法はクロスフィッティングを用いて,ニュアンス関数の滑らかさ要件を緩和し,対象パラメータよりも遅い速度で推定できるようにする。
論文 参考訳（メタデータ） (2021-05-19T16:58:57Z) - Minimax Kernel Machine Learning for a Class of Doubly Robust Functionals [16.768606469968113]
もともと導入された二重頑健なモーメント関数のクラスを考える(Robins et al., 2008)。
このモーメント関数は、ニュアンス関数の推定方程式の構築に使用できることを実証する。
ニュアンス関数の収束速度は、統計学習理論の現代的な手法を用いて解析される。
論文 参考訳（メタデータ） (2021-04-07T05:52:15Z) - Causal Estimation with Functional Confounders [24.54466899641308]
因果推論は、無知と肯定性の2つの基本的な仮定に依存します。
真共起値が観測データの関数として表現できる場合の因果推論について検討する。
この設定では、不可知性は満たされるが、肯定性は侵害され、因果推論は一般に不可能である。
論文 参考訳（メタデータ） (2021-02-17T02:16:21Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳（メタデータ） (2020-08-14T16:48:29Z) - Mixability of Integral Losses: a Key to Efficient Online Aggregation of Functional and Probabilistic Forecasts [72.32459441619388]
基本混合(および指数的に凹)損失関数を適用して機能的予測を比較し、これらの適応が混合可能であることを証明する(exp-concave)。
主な結果の応用として、確率予測に使用される様々な損失関数が混合可能であることを示す(exp-concave)。
論文 参考訳（メタデータ） (2019-12-15T14:25:33Z)
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。