論文の概要: Semiparametric inference for impulse response functions using double/debiased machine learning

• arxiv url: http://arxiv.org/abs/2411.10009v1
• Date: Fri, 15 Nov 2024 07:42:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:37:30.720675
• Title: Semiparametric inference for impulse response functions using double/debiased machine learning
• Title（参考訳）: ダブル/デバイアス機械学習を用いたインパルス応答関数の半パラメトリック推論
• Authors: Daniele Ballinari, Alexander Wehrli,
• Abstract要約: 本稿では,インパルス応答関数(IRF)に対する機械学習推定手法を提案する。 提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。
• 参考スコア（独自算出の注目度）: 49.1574468325115
• License:
• Abstract: We introduce a double/debiased machine learning (DML) estimator for the impulse response function (IRF) in settings where a time series of interest is subjected to multiple discrete treatments, assigned over time, which can have a causal effect on future outcomes. The proposed estimator can rely on fully nonparametric relations between treatment and outcome variables, opening up the possibility to use flexible machine learning approaches to estimate IRFs. To this end, we extend the theory of DML from an i.i.d. to a time series setting and show that the proposed DML estimator for the IRF is consistent and asymptotically normally distributed at the parametric rate, allowing for semiparametric inference for dynamic effects in a time series setting. The properties of the estimator are validated numerically in finite samples by applying it to learn the IRF in the presence of serial dependence in both the confounder and observation innovation processes. We also illustrate the methodology empirically by applying it to the estimation of the effects of macroeconomic shocks.
• Abstract（参考訳）: 本稿では,インパルス応答関数 (IRF) に対する2次/脱バイアス機械学習 (DML) 推定器を提案する。 提案した推定器は、処理と結果変数の完全な非パラメトリック関係に依存することができ、柔軟な機械学習アプローチを用いてIRFを推定することができる。 この目的のために、DMLの理論を時系列設定から時系列設定に拡張し、提案したIRFのDML推定器がパラメトリックレートで一貫し、漸近的に分布していることを示し、時系列設定における動的効果の半パラメトリック推論を可能にする。 推定器の特性を有限サンプルで数値的に検証し、共同設立者および観察イノベーションプロセスの両方におけるシリアル依存の存在下でIRFを学習する。 また、マクロ経済的な衝撃の影響を推定するためにこの手法を実証的に応用した。

関連論文リスト

• Non-parametric efficient estimation of marginal structural models with multi-valued time-varying treatments [0.9558392439655012]
  半パラメトリック効率理論の最近の発展とともに機械学習を用いて縦断的研究を行い,そのような推定器を提案する。 提案手法は, 各時点において, 結果と治療機構が一貫した推定値である場合, 連続的に2倍強固であることを示す。
  論文  参考訳（メタデータ） (2024-09-27T14:29:12Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Orthogonal Series Estimation for the Ratio of Conditional Expectation Functions [2.855485723554975]
  本章は、条件付き期待関数(CEFR)の推定と推定のための一般的な枠組みを開発する。 本研究は,ガウスブートストラップの有効性を含むCEFRの推定と推定のためのポイントワイドおよび均一な結果を導出する。 提案手法を適用し,世帯資産に対する401(k)プログラムの因果効果を推定する。
  論文  参考訳（メタデータ） (2022-12-26T13:01:17Z)
• Unsupervised representation learning with recognition-parametrised probabilistic models [12.865596223775649]
  認識パラメータモデル(RPM)に基づく確率的教師なし学習の新しいアプローチを提案する。 観測が条件独立であるというキー前提の下では、RPMはパラメトリックな事前条件付き潜時分布と非パラメトリックな観測因子を結合する。 RPMは、動物と人工知能の両方にとって重要な機能である観測データの基礎となる有意義な潜在構造を発見する強力なフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-09-13T00:33:21Z)
• Treatment Effect Estimation with Observational Network Data using Machine Learning [0.0]
  治療効果推定のための因果推論法は、通常独立した単位を仮定する。 本研究では,1つの(社会的)ネットワークからの観測データによる処理の直接効果を推定・推定するための拡張逆確率(AIPW)を開発した。
  論文  参考訳（メタデータ） (2022-06-29T12:52:41Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• 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)
• 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。