論文の概要: Doubly Robust Regression Discontinuity Designs
- arxiv url: http://arxiv.org/abs/2411.07978v2
- Date: Thu, 28 Nov 2024 09:05:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:16:57.498649
- Title: Doubly Robust Regression Discontinuity Designs
- Title(参考訳): 二重ロバスト回帰不連続設計
- Authors: Masahiro Kato,
- Abstract要約: 回帰不連続性(RD)設計のための二重頑健性(DR)推定器を提案する。
両回帰推定器が一定の穏やかな条件を満たす場合、提案した推定器は$sqrtn$-consistencyを達成する。
- 参考スコア(独自算出の注目度): 10.470114319701576
- License:
- Abstract: This study introduces a doubly robust (DR) estimator for regression discontinuity (RD) designs. In RD designs, treatment effects are estimated in a quasi-experimental setting where treatment assignment depends on whether a running variable surpasses a predefined cutoff. A common approach in RD estimation is to apply nonparametric regression methods, such as local linear regression. In such an approach, the validity relies heavily on the consistency of nonparametric estimators and is limited by the nonparametric convergence rate, thereby preventing $\sqrt{n}$-consistency. To address these issues, we propose the DR-RD estimator, which combines two distinct estimators for the conditional expected outcomes. If either of these estimators is consistent, the treatment effect estimator remains consistent. Furthermore, due to the debiasing effect, our proposed estimator achieves $\sqrt{n}$-consistency if both regression estimators satisfy certain mild conditions, which also simplifies statistical inference.
- Abstract(参考訳): 本研究では、回帰不連続性(RD)設計のための二重頑健性(DR)推定器を提案する。
RD設計では、処理割り当てが実行変数が予め定義されたカットオフを超えるかどうかに依存する準実験環境で、処理効果を推定する。
RD推定における一般的なアプローチは、局所線形回帰のような非パラメトリック回帰法を適用することである。
このアプローチでは、妥当性は非パラメトリック推定器の整合性に大きく依存し、非パラメトリック収束率によって制限されるため、$\sqrt{n}$-一貫性が妨げられる。
これらの問題に対処するために,条件付き予測結果に対する2つの異なる推定器を組み合わせたDR-RD推定器を提案する。
これらの推定器のいずれかが一貫したものである場合、処理効果推定器は引き続き一貫したままである。
さらに, このデバイアス効果により, 両回帰推定器がある程度の温和な条件を満たす場合, 統計的推測を単純化するならば, 提案した推定器は$\sqrt{n}$-consistencyを達成できる。
関連論文リスト
- RieszBoost: Gradient Boosting for Riesz Regression [49.737777802061984]
本稿では,Riesz表現子を直接推定するために,その明示的な解析形式を必要とせず,新たな勾配向上アルゴリズムを提案する。
提案アルゴリズムは,様々な関数を対象とした間接推定手法と同等以上の性能を示す。
論文 参考訳(メタデータ) (2025-01-08T23:04:32Z) - Doubly-Robust Off-Policy Evaluation with Estimated Logging Policy [11.16777821381608]
本稿では,マルコフ決定プロセスのための新しい二重ロバスト(DR)オフ・ポリティクス (DRUnknown) を導入し,ログポリシと値関数の双方が未知な状況を想定した。
提案した推定器は,まずログポリシを推定し,その評価器の分散を最小化し,ログポリシの効果を考慮し,値関数モデルを推定する。
論文 参考訳(メタデータ) (2024-04-02T10:42:44Z) - 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) - Improved Policy Evaluation for Randomized Trials of Algorithmic Resource
Allocation [54.72195809248172]
提案する新しい概念を応用した新しい推定器を提案する。
我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
論文 参考訳(メタデータ) (2023-02-06T05:17:22Z) - Doubly Robust Distributionally Robust Off-Policy Evaluation and Learning [59.02006924867438]
オフ政治評価と学習(OPE/L)は、オフラインの観察データを使用してより良い意思決定を行う。
近年の研究では、分散ロバストなOPE/L (DROPE/L) が提案されているが、この提案は逆正則重み付けに依存している。
KL分散不確実性集合を用いたDROPE/Lの最初のDRアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-02-19T20:00:44Z) - A selective review of sufficient dimension reduction for multivariate
response regression [2.492300648514129]
広い範囲のSDR法は、逆回帰SDR推定器または前方回帰SDR推定器として特徴付けられる。
通常の最小二乗、部分最小二乗、半パラメトリックSDR推定器は、前方回帰系の推定器として議論される。
論文 参考訳(メタデータ) (2022-02-02T04:53:09Z) - Off-Policy Evaluation Using Information Borrowing and Context-Based Switching [10.063289291875247]
文脈的包帯における非政治的評価問題について考察する。
目標は、ログポリシによって収集されたデータを使用して、ターゲットポリシーの価値を見積もることである。
本稿では,情報借り出しとコンテキストベーススイッチング(DR-IC)推定器を用いたDouubly Robustと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-12-18T07:38:24Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳(メタデータ) (2021-12-14T17:53:01Z) - Enhanced Doubly Robust Learning for Debiasing Post-click Conversion Rate
Estimation [29.27760413892272]
クリック後の変換は、ユーザの好みを示す強いシグナルであり、レコメンデーションシステムを構築する上で有益である。
現在、ほとんどの既存の手法は、対実学習を利用してレコメンデーションシステムを破壊している。
本稿では,MRDR推定のための新しい二重学習手法を提案し,誤差計算を一般的なCVR推定に変換する。
論文 参考訳(メタデータ) (2021-05-28T06:59:49Z) - Off-Policy Evaluation via the Regularized Lagrangian [110.28927184857478]
最近提案された分布補正推定(DICE)ファミリーは, 行動に依存しないデータを用いた非政治的評価において, 技術の現状を推し進めている。
本稿では,これらを線形プログラムの正規化ラグランジアンとして統一する。
双対解は、安定性と推定バイアスの間のトレードオフをナビゲートする際の柔軟性を向上し、一般的にはより優れた見積もりを提供する。
論文 参考訳(メタデータ) (2020-07-07T13:45:56Z)
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。