論文の概要: A Semiparametric Approach to Causal Inference

• arxiv url: http://arxiv.org/abs/2411.00950v1
• Date: Fri, 01 Nov 2024 18:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:38:21.266654
• Title: A Semiparametric Approach to Causal Inference
• Title（参考訳）: 半パラメトリック手法による因果推論
• Authors: Archer Gong Zhang, Nancy Reid, Qiang Sun,
• Abstract要約: 因果推論において、重要な問題は介入や治療の効果を定量化することである。 本稿では, 半パラメトリック密度比モデル(DRM)を用いて, 対物分布の特徴付けを行う。 我々のモデルは、対物分布に関する厳密なパラメトリック仮定を避けることで柔軟性を提供する。
• 参考スコア（独自算出の注目度）: 2.092897805817524
• License:
• Abstract: In causal inference, an important problem is to quantify the effects of interventions or treatments. Many studies focus on estimating the mean causal effects; however, these estimands may offer limited insight since two distributions can share the same mean yet exhibit significant differences. Examining the causal effects from a distributional perspective provides a more thorough understanding. In this paper, we employ a semiparametric density ratio model (DRM) to characterize the counterfactual distributions, introducing a framework that assumes a latent structure shared by these distributions. Our model offers flexibility by avoiding strict parametric assumptions on the counterfactual distributions. Specifically, the DRM incorporates a nonparametric component that can be estimated through the method of empirical likelihood (EL), using the data from all the groups stemming from multiple interventions. Consequently, the EL-DRM framework enables inference of the counterfactual distribution functions and their functionals, facilitating direct and transparent causal inference from a distributional perspective. Numerical studies on both synthetic and real-world data validate the effectiveness of our approach.
• Abstract（参考訳）: 因果推論において、重要な問題は介入や治療の効果を定量化することである。 多くの研究は、平均因果効果を推定することに焦点を当てているが、2つの分布は同じ平均を共有することができるが、大きな違いを示すため、これらの推定値が限られた洞察を与える可能性がある。 分布の観点から因果効果を調べることは、より深い理解をもたらす。 本稿では, 半パラメトリック密度比モデル(DRM)を用いて, 擬似分布の特徴付けを行い, それらの分布が共有する潜在構造を仮定する枠組みを導入する。 我々のモデルは、対物分布に関する厳密なパラメトリック仮定を避けることで柔軟性を提供する。 具体的には、DRMは、複数の介入から生じるすべてのグループからのデータを用いて、経験的可能性(EL)の方法で推定できる非パラメトリックなコンポーネントを組み込んでいる。 その結果、EL-DRMフレームワークは、反ファクト分布関数とその関数の推論を可能にし、分散の観点から直接的かつ透明な因果推論を容易にする。 合成データと実世界のデータの両方に関する数値的研究により,本手法の有効性が検証された。

関連論文リスト

• An Overview of Causal Inference using Kernel Embeddings [14.298666697532838]
  カーネル埋め込みは、様々な統計的推論問題における確率測度を表現する強力なツールとして登場した。 主な課題は、因果関係を特定し、観測データから平均的な治療効果を推定することである。
  論文  参考訳（メタデータ） (2024-10-30T07:23:34Z)
• Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
  介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。 観察的および介入的設定における各変数の限界分布の比較に依拠する介入忠実性を導入する。 また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
  論文  参考訳（メタデータ） (2024-05-28T16:07:17Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data [62.56890808004615]
  本研究では,信頼性とロバストな意思決定を確実にする,分散データ解析の解釈可能な手法を開発した。 ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性について検討した。
  論文  参考訳（メタデータ） (2023-12-17T00:42:42Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
  最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。 これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。 我々はこれらの考え方を非政治評価フレームワークに一般化する。
  論文  参考訳（メタデータ） (2022-11-02T23:39:36Z)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)
• Identification Methods With Arbitrary Interventional Distributions as Inputs [8.185725740857595]
  因果推論は、データから反事実パラメータを推定することで、原因と影響の関係を定量化する。 我々は、単一世界干渉グラフと混合グラフに関連付けられたモデルのネスト係数化を用いて、実験データに対する既存の識別理論の非常に単純なビューを提供する。
  論文  参考訳（メタデータ） (2020-04-02T17:27:18Z)
• Nonparametric inference for interventional effects with multiple mediators [0.0]
  より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。 提案した推定器の複数のロバスト性特性を示す。 本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
  論文  参考訳（メタデータ） (2020-01-16T19:05:00Z)

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。