論文の概要: A Note on Doubly Robust Estimator in Regression Continuity Designs

• arxiv url: http://arxiv.org/abs/2411.07978v3
• Date: Mon, 02 Dec 2024 18:58:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-03 13:35:42.745965
• Title: A Note on Doubly Robust Estimator in Regression Continuity Designs
• Title（参考訳）: 回帰連続設計における二重ロバスト推定器に関する一考察
• 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。 DR-RD推定器はRD設計における処理効果推定器のロバスト性を高める。
• 参考スコア（独自算出の注目度）: 10.470114319701576
• License:
• Abstract: This note introduces a doubly robust (DR) estimator for regression discontinuity (RD) designs. RD designs provide a quasi-experimental framework for estimating treatment effects, where treatment assignment depends on whether a running variable surpasses a predefined cutoff. A common approach in RD estimation is the use of nonparametric regression methods, such as local linear regression. However, the validity of these methods still relies on the consistency of the nonparametric estimators. In this study, we propose the DR-RD estimator, which combines two distinct estimators for the conditional expected outcomes. The primary advantage of the DR-RD estimator lies in its ability to ensure the consistency of the treatment effect estimation as long as at least one of the two estimators is consistent. Consequently, our DR-RD estimator enhances robustness of treatment effect estimators in RD designs.
• Abstract（参考訳）: 本稿では、回帰不連続性(RD)設計のための二重頑健(DR)推定器を紹介する。 RD設計は、処理効果を推定するための準実験的なフレームワークを提供する。 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用いることである。 しかし、これらの手法の妥当性はまだ非パラメトリック推定器の整合性に依存している。 本研究では,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。 DR-RD推定器の最大の利点は、2つの推定器のうちの少なくとも1つが一致している限り、治療効果推定の整合性を確保する能力にある。 その結果、DR-RD推定器はRD設計における処理効果推定器の堅牢性を高める。

関連論文リスト

• Debiased Regression for Root-N-Consistent Conditional Mean Estimation [10.470114319701576]
  本稿では,高次元および非パラメトリック回帰推定器を含む回帰推定器のデバイアス化手法を提案する。 理論解析により,提案した推定器は,緩やかな収束率条件下で$sqrtn$-consistencyと正規性を達成することを示した。 提案手法は,推定精度の向上や信頼区間の簡易化など,いくつかの利点を提供する。
  論文  参考訳（メタデータ） (2024-11-18T17:25:06Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• 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)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• 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)
• 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)
• 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)

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。