論文の概要: Spillover Detection for Donor Selection in Synthetic Control Models

• arxiv url: http://arxiv.org/abs/2406.11399v1
• Date: Mon, 17 Jun 2024 10:33:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 15:21:39.031442
• Title: Spillover Detection for Donor Selection in Synthetic Control Models
• Title（参考訳）: 合成制御モデルにおけるドナー選択のためのスパイルオーバー検出
• Authors: Michael O'Riordan, Ciarán M. Gilligan-Lee,
• Abstract要約: 理論的に座屈したドナーの選択手順を導入する。 本稿では, この理論を, 潜在的な流出効果を検出するための実用的手法に転換する方法について述べる。
• 参考スコア（独自算出の注目度）: 1.1510009152620668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic control (SC) models are widely used to estimate causal effects in settings with observational time-series data. To identify the causal effect on a target unit, SC requires the existence of correlated units that are not impacted by the intervention. Given one of these potential donor units, how can we decide whether it is in fact a valid donor - that is, one not subject to spillover effects from the intervention? Such a decision typically requires appealing to strong a priori domain knowledge specifying the units, which becomes infeasible in situations with large pools of potential donors. In this paper, we introduce a practical, theoretically-grounded donor selection procedure, aiming to weaken this domain knowledge requirement. Our main result is a Theorem that yields the assumptions required to identify donor values at post-intervention time points using only pre-intervention data. We show how this Theorem - and the assumptions underpinning it - can be turned into a practical method for detecting potential spillover effects and excluding invalid donors when constructing SCs. Importantly, we employ sensitivity analysis to formally bound the bias in our SC causal estimate in situations where an excluded donor was indeed valid, or where a selected donor was invalid. Using ideas from the proximal causal inference and instrumental variables literature, we show that the excluded donors can nevertheless be leveraged to further debias causal effect estimates. Finally, we illustrate our donor selection procedure on both simulated and real-world datasets.
• Abstract（参考訳）: 合成制御(SC)モデルは、観測時系列データを用いた設定における因果効果を推定するために広く用いられている。 標的ユニットに対する因果的影響を特定するために、SCは介入の影響を受けない相関ユニットの存在を必要とする。 これらの潜在的ドナーユニットの1つを考えると、実際に有効なドナーであるかどうかをどうやって判断できるだろうか? このような決定は典型的には、ユニットを特定する先駆的なドメイン知識に訴える必要があり、潜在的ドナーのプールが大きい状況では不可能になる。 本稿では,このドメイン知識の要件を弱めることを目的とした,理論的に基礎的なドナー選択手法を提案する。 我々の主な成果は、事前介入データのみを用いて、介入後の時点におけるドナー値を特定するのに必要な仮定を導出する定理である。 我々は,この理論とそれを支える仮定が,SCを構築する際に,潜在的な流出効果を検出し,無効なドナーを排除するための実践的な方法にどのように変換されるかを示す。 重要な点として, 除外ドナーが実際に有効であったり, 選択ドナーが無効であったりした場合に, SC因果推定値のバイアスを正式に拘束するために感度分析を用いた。 近位因果推定や器用変数の文献からのアイデアを用いて、除外されたドナーはそれでもさらなる因果効果推定に活用できることを示す。 最後に、シミュレーションと実世界の両方のデータセット上でドナーの選択手順を説明します。

関連論文リスト

• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• 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)
• Inferring Effect Ordering Without Causal Effect Estimation [1.6114012813668932]
  予測モデルは、広告、顧客の保持、パーソナライズドメディカルな医療など、様々な分野の介入をガイドするためにしばしば使用される。 本稿は,これらの予測モデルがどのように因果的に解釈できるのか,という問題に対処する。 直接因果効果を推定することなく, 直接因果効果を推定するのに十分な2つの仮定, 完全な潜時媒介と潜時単調性を定式化する。
  論文  参考訳（メタデータ） (2022-06-25T02:15:22Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Bayesian Model Averaging for Data Driven Decision Making when Causality is Partially Known [0.0]
  我々はベイズモデル平均化(BMA)のようなアンサンブル法を用いて因果グラフの集合を推定する。 潜在的な介入の期待値とリスクを明示的に計算して意思決定を行います。
  論文  参考訳（メタデータ） (2021-05-12T01:55:45Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
  臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
  論文  参考訳（メタデータ） (2021-01-28T01:33:21Z)
• 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)

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。