論文の概要: Automatic doubly robust inference for linear functionals via calibrated debiased machine learning
- arxiv url: http://arxiv.org/abs/2411.02771v1
- Date: Tue, 05 Nov 2024 03:32:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-06 14:59:10.285838
- Title: Automatic doubly robust inference for linear functionals via calibrated debiased machine learning
- Title（参考訳）: 校正脱バイアス機械学習による線形汎関数の自動2倍ロバスト推論
- Authors: Lars van der Laan, Alex Luedtke, Marco Carone,
- Abstract要約: 本稿では2つの頑健な推論のためのバイアス付き機械学習推定器を提案する。
C-DML推定器は、結果回帰または線形汎函数のリース表現器が十分に推定されたときに線形性を維持する。
我々の理論的および実証的な結果は、ニュアンス関数の不一致または遅い推定によるバイアスを軽減するためにC-DMLの使用を支持する。
- 参考スコア（独自算出の注目度）: 0.9694940903078658
- License:
- Abstract: In causal inference, many estimands of interest can be expressed as a linear functional of the outcome regression function; this includes, for example, average causal effects of static, dynamic and stochastic interventions. For learning such estimands, in this work, we propose novel debiased machine learning estimators that are doubly robust asymptotically linear, thus providing not only doubly robust consistency but also facilitating doubly robust inference (e.g., confidence intervals and hypothesis tests). To do so, we first establish a key link between calibration, a machine learning technique typically used in prediction and classification tasks, and the conditions needed to achieve doubly robust asymptotic linearity. We then introduce calibrated debiased machine learning (C-DML), a unified framework for doubly robust inference, and propose a specific C-DML estimator that integrates cross-fitting, isotonic calibration, and debiased machine learning estimation. A C-DML estimator maintains asymptotic linearity when either the outcome regression or the Riesz representer of the linear functional is estimated sufficiently well, allowing the other to be estimated at arbitrarily slow rates or even inconsistently. We propose a simple bootstrap-assisted approach for constructing doubly robust confidence intervals. Our theoretical and empirical results support the use of C-DML to mitigate bias arising from the inconsistent or slow estimation of nuisance functions.
- Abstract（参考訳）: 因果推論では、多くの興味の見積は結果回帰関数の線形関数として表すことができ、例えば、静的、動的、確率的な介入による平均因果効果を含む。
このような推定を学習するために、本研究では、二重に頑健な漸近線形である新しい非バイアス機械学習推定器を提案し、二重に頑健な一貫性を提供するだけでなく、二重に頑健な推論(例えば、信頼区間と仮説テスト)を促進する。
そこで我々はまず、キャリブレーションと、予測や分類タスクで一般的に使用される機械学習技術と、二重頑健な漸近線形性を達成するために必要な条件との間に重要なリンクを確立する。
次に、二重頑健な推論のための統合フレームワークであるキャリブレーション付きデバイアスド機械学習(C-DML)を導入し、クロスフィッティング、イソトニックキャリブレーション、デバイアスド機械学習推定を統合した特定のC-DML推定器を提案する。
C-DML推定器は、線形汎関数の結果回帰またはリース表現器が十分に推定されたときに漸近線形性を維持し、一方が任意に遅い速度で、あるいは矛盾なく見積もることができる。
本稿では,2つの頑健な信頼区間を構築するための単純なブートストラップ支援手法を提案する。
我々の理論的および実証的な結果は、ニュアンス関数の不一致または遅い推定によるバイアスを軽減するためにC-DMLの使用を支持する。
関連論文リスト
- Automatic debiasing of neural networks via moment-constrained learning [0.0]
偏差推定器の回帰関数をネーティブに学習し,対象関数のサンプル平均値を取得する。
本稿では,自動脱バイアスの欠点に対処する新しいRR学習手法として,モーメント制約学習を提案する。
論文 参考訳（メタデータ） (2024-09-29T20:56:54Z) - Improving the Finite Sample Performance of Double/Debiased Machine Learning with Propensity Score Calibration [0.0]
ダブル/デバイアスド機械学習(DML)は、ニュアンス関数の予測に依存するダブルロススコア関数を使用する。
ダブルロバストスコア関数に依存する推定器は、確率スコア予測における誤差に非常に敏感である。
本稿では,DMLフレームワーク内での確率校正手法について検討する。
論文 参考訳（メタデータ） (2024-09-07T17:44:01Z) - 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) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - Automatic Debiased Machine Learning for Dynamic Treatment Effects and
General Nested Functionals [23.31865419578237]
我々は、自動脱バイアス機械学習の考え方を動的治療体制に拡張し、より一般的にネストされた機能に拡張する。
離散的な処理を施した動的処理系に対する多重ロバストな式は、ネスト平均回帰のリース表現器のキャラクタリゼーションにより再定式化可能であることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:54:17Z) - Learning to Estimate Without Bias [57.82628598276623]
ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。
本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。
BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
論文 参考訳（メタデータ） (2021-10-24T10:23:51Z) - Mostly Harmless Machine Learning: Learning Optimal Instruments in Linear
IV Models [3.7599363231894176]
標準線形機器変数設定に機械学習を組み込むことを正当化する理論的結果を提供する。
楽器から処理変数を予測するために,機械学習とサンプル分割を併用した。
これにより、研究者は治療と器具の間の非線形な共変を抽出することができる。
論文 参考訳（メタデータ） (2020-11-12T01:55:11Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳（メタデータ） (2020-04-21T23:09:55Z) - Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。
強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
論文 参考訳（メタデータ） (2020-03-05T19:56:23Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。