論文の概要: PCM Selector: Penalized Covariate-Mediator Selection Operator for Evaluating Linear Causal Effects

• arxiv url: http://arxiv.org/abs/2412.18180v1
• Date: Tue, 24 Dec 2024 05:34:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:53:55.399344
• Title: PCM Selector: Penalized Covariate-Mediator Selection Operator for Evaluating Linear Causal Effects
• Title（参考訳）: PCMセレクタ:線形因果効果評価のためのペナル化共変量媒介者選択演算子
• Authors: Hisayoshi Nanmo, Manabu Kuroki,
• Abstract要約: 因果効果を推定する新しい2段階のペナル化回帰手法を提案する。 PCMセレクタは因果効果の一貫性またはバイアスの少ない推定器を提供する。 さらに、PCMセレクタは、バックドア基準よりも因果効果の正確な推定精度を得るために、中間変数に対する変数選択手順を提供する。
• 参考スコア（独自算出の注目度）: 5.294604210205507
• License:
• Abstract: For a data-generating process for random variables that can be described with a linear structural equation model, we consider a situation in which (i) a set of covariates satisfying the back-door criterion cannot be observed or (ii) such a set can be observed, but standard statistical estimation methods cannot be applied to estimate causal effects because of multicollinearity/high-dimensional data problems. We propose a novel two-stage penalized regression approach, the penalized covariate-mediator selection operator (PCM Selector), to estimate the causal effects in such scenarios. Unlike existing penalized regression analyses, when a set of intermediate variables is available, PCM Selector provides a consistent or less biased estimator of the causal effect. In addition, PCM Selector provides a variable selection procedure for intermediate variables to obtain better estimation accuracy of the causal effects than does the back-door criterion.
• Abstract（参考訳）: 線形構造方程式モデルで記述できる確率変数のデータ生成過程について、その状況を考える。 一 裏口基準を満たす一の変種を観察できないこと、又は (II)そのような集合を観測することはできるが,マルチコリニティ/高次元データ問題により因果効果を推定する標準的な統計的推定法は適用できない。 そこで本稿では,PCMセレクタ (PCM Selector) を用いた2段階のペナル化回帰手法を提案する。 既存のペナル化回帰分析とは異なり、中間変数の集合が利用可能である場合、PCMセレクタは因果効果の一貫性またはバイアスの少ない推定器を提供する。 さらに、PCMセレクタは、バックドア基準よりも因果効果の正確な推定精度を得るために、中間変数に対する変数選択手順を提供する。

関連論文リスト

• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Model-based causal feature selection for general response types [8.228587135343071]
  Invariant causal prediction (ICP) は、不均一な設定からのデータを必要とする因果的特徴選択の手法である。 我々は変換モデル(TRAM)ベースのICPを開発し、連続的、分類的、カウント型、非形式的に検閲された応答を可能にする。 我々は、オープンソースのRパッケージ「tramicp」を提供し、シミュレーションデータに対する我々のアプローチを評価し、重篤な患者の生存の因果的特徴を調査する事例研究を行った。
  論文  参考訳（メタデータ） (2023-09-22T12:42:48Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• Variational Bayes for high-dimensional proportional hazards models with applications to gene expression variable selection [3.8761064607384195]
  本研究では,高次元生存データに対する予測と変動選択のための変分ベイズ比例ハザードモデルを提案する。 本手法は,平均場変動近似に基づいて,MCMCの高計算コストを克服する。 提案手法は,生存率を検閲した2つのトランスクリプトームデータセット上で,変数選択にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2021-12-19T22:10:41Z)
• CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
  本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。 我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-26T20:14:30Z)
• Variance Minimization in the Wasserstein Space for Invariant Causal Prediction [72.13445677280792]
  そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。 これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。 我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2021-10-13T22:30:47Z)
• On the Use of Minimum Penalties in Statistical Learning [2.1320960069210475]
  本稿では,多変量回帰モデルと結果変数の関係を同時に推定する枠組みを提案する。 現状技術手法を一般化する反復アルゴリズムを解法として提案する。 我々は、提案したMinPenフレームワークを他の指数関数的なファミリー損失関数に拡張し、複数の二項応答に特異的に焦点をあてる。
  論文  参考訳（メタデータ） (2021-06-09T16:15:46Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Double machine learning for sample selection models [0.12891210250935145]
  本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。 a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
  論文  参考訳（メタデータ） (2020-11-30T19:40:21Z)
• 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。