論文の概要: Bounding Causal Effects with Leaky Instruments

• arxiv url: http://arxiv.org/abs/2404.04446v2
• Date: Wed, 8 May 2024 09:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-09 18:50:56.582229
• Title: Bounding Causal Effects with Leaky Instruments
• Title（参考訳）: 漏洩計器による境界因果効果
• Authors: David S. Watson, Jordan Penn, Lee M. Gunderson, Gecia Bravo-Hermsdorff, Afsaneh Mastouri, Ricardo Silva,
• Abstract要約: 我々は、$textitleakyのセットを与えられた線形システムで$textitpartial$識別を提供する新しいソリューションを提案する。 我々は,情報漏洩の一般的な形態の下で,平均処理効果を確実にシャープに制限する凸最適化目標を導出する。
• 参考スコア（独自算出の注目度）: 6.2316012741781295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instrumental variables (IVs) are a popular and powerful tool for estimating causal effects in the presence of unobserved confounding. However, classical approaches rely on strong assumptions such as the $\textit{exclusion criterion}$, which states that instrumental effects must be entirely mediated by treatments. This assumption often fails in practice. When IV methods are improperly applied to data that do not meet the exclusion criterion, estimated causal effects may be badly biased. In this work, we propose a novel solution that provides $\textit{partial}$ identification in linear systems given a set of $\textit{leaky instruments}$, which are allowed to violate the exclusion criterion to some limited degree. We derive a convex optimization objective that provides provably sharp bounds on the average treatment effect under some common forms of information leakage, and implement inference procedures to quantify the uncertainty of resulting estimates. We demonstrate our method in a set of experiments with simulated data, where it performs favorably against the state of the art. An accompanying $\texttt{R}$ package, $\texttt{leakyIV}$, is available from $\texttt{CRAN}$.
• Abstract（参考訳）: 計器変数(IVs)は、観測されていないコンバウンディングの存在下で因果効果を推定するための人気で強力なツールである。 しかし、古典的なアプローチは$\textit{exclusion criterion}$のような強い仮定に頼っている。 この仮定は実際は失敗することが多い。 IV法が排他基準に満たないデータに不適切に適用された場合、推定因果効果はひどくバイアスを受ける可能性がある。 そこで本研究では,一組の$\textit{leaky instrument}$が与えられた線形系における$\textit{partial}$識別を提供する新しい解を提案する。 情報漏洩の共通な形態で平均処理効果を確実にシャープに制限する凸最適化目標を導出し,得られた推定の不確かさを定量化するための推論手順を実装した。 提案手法をシミュレーションデータを用いた実験で実証し, 現状に対して良好に動作することを示す。 付随する $\texttt{R}$ package, $\texttt{leakyIV}$ は $\texttt{CRAN}$ から入手できる。

関連論文リスト

• Conditionally valid Probabilistic Conformal Prediction [57.80927226809277]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを作成する手法を開発した。 提案手法の有効性を広範囲なシミュレーションにより実証し,条件付きカバレッジで既存手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Minimax Instrumental Variable Regression and $L_2$ Convergence Guarantees without Identification or Closedness [71.42652863687117]
  インストゥルメンタル変数(IV)回帰の非パラメトリック推定について検討した。 固定IV解に収束できる新しいペナル化ミニマックス推定器を提案する。 ラックス条件下での推定値に対して強い$L$誤差率を導出する。
  論文  参考訳（メタデータ） (2023-02-10T18:08:49Z)
• Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
  コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。 理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
  論文  参考訳（メタデータ） (2022-06-09T10:39:33Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• A Huber loss-based super learner with applications to healthcare expenditures [0.0]
  本稿では,2乗誤差損失と絶対損失とを結合した「ロバスト」損失関数であるHuber損失に基づく超学習者を提案する。 提案手法は,ハマーリスクの最適化だけでなく,有限サンプル設定でも直接利用できることを示す。
  論文  参考訳（メタデータ） (2022-05-13T19:57:50Z)
• The Curse of Passive Data Collection in Batch Reinforcement Learning [82.6026077420886]
  高い利害関係のアプリケーションでは、アクティブな実験は危険すぎると考えられ、データはしばしば受動的に収集される。 バンディットやパッシブ、アクティブなデータ収集などの単純な場合も同様に効果的であるが、制御された状態のシステムからデータを集める場合、パッシブサンプリングの価格ははるかに高い。
  論文  参考訳（メタデータ） (2021-06-18T07:54:23Z)
• Conditional Selective Inference for Robust Regression and Outlier Detection using Piecewise-Linear Homotopy Continuation [16.443165965475096]
  アウトプライヤ除去後のモデル推定の統計的推論を検討する。 提案した条件付きSI法は, 広範囲の頑健な回帰法と外れ値検出法に適用可能であることを示す。
  論文  参考訳（メタデータ） (2021-04-22T03:01:18Z)
• LSDAT: Low-Rank and Sparse Decomposition for Decision-based Adversarial Attack [74.5144793386864]
  LSDATは、入力サンプルのスパース成分と対向サンプルのスパース成分によって形成される低次元部分空間における摂動を加工する。 LSDは画像ピクセル領域で直接動作し、スパース性などの非$ell$制約が満たされることを保証します。
  論文  参考訳（メタデータ） (2021-03-19T13:10:47Z)
• High-Dimensional Feature Selection for Sample Efficient Treatment Effect Estimation [0.0]
  因果的データから因果的治療効果を推定することは因果的推論の根本的な問題である。 治療コホートにまたがる結果を含む共通の目的関数を提案する。 治療効果評価実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-11-03T19:54:16Z)
• Valid Causal Inference with (Some) Invalid Instruments [24.794879633855373]
  排他的仮定違反にも拘わらず、一貫したIV推定を行う方法を示す。 我々は,深層ネットワークに基づく推定器のアンサンブルを用いて条件平均処理効果を正確に推定する。
  論文  参考訳（メタデータ） (2020-06-19T21:09:26Z)
• Black-box Off-policy Estimation for Infinite-Horizon Reinforcement Learning [26.880437279977155]
  医療やロボティクスといった多くの現実的な応用において、長期的問題に対するオフ・ポリティクス推定が重要である。 政治外データの収集方法を知らずに定常分布の重要度を算出する新しい推定器を開発した。
  論文  参考訳（メタデータ） (2020-03-24T21:44:51Z)

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。