論文の概要: Coarsened confounding for causal effects: a large-sample framework

• arxiv url: http://arxiv.org/abs/2501.03129v1
• Date: Mon, 06 Jan 2025 16:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:06:07.658494
• Title: Coarsened confounding for causal effects: a large-sample framework
• Title（参考訳）: 因果効果のための粗大化コンバウンディング--大規模サンプルフレームワーク
• Authors: Debashis Ghosh, Lei Wang,
• Abstract要約: We consider coarsened exact matching, developed in Iacus et al。 この手法は,2つの新しいアルゴリズムを提案する粗大化共起(coarsened confounding)に一般化される。 バイアス補正手法を提案し, 提案手法を2つのよく知られた観測スタディのデータに適用する。
• 参考スコア（独自算出の注目度）: 3.9483979013722683
• License:
• Abstract: There has been widespread use of causal inference methods for the rigorous analysis of observational studies and to identify policy evaluations. In this article, we consider coarsened exact matching, developed in Iacus et al. (2011). While they developed some statistical properties, in this article, we study the approach using asymptotics based on a superpopulation inferential framework. This methodology is generalized to what we termed as coarsened confounding, for which we propose two new algorithms. We develop asymptotic results for the average causal effect estimator as well as providing conditions for consistency. In addition, we provide an asymptotic justification for the variance formulae in Iacus et al. (2011). A bias correction technique is proposed, and we apply the proposed methodology to data from two well-known observational studi
• Abstract（参考訳）: 観察研究の厳密な分析や政策評価の特定に因果推論手法が広く用いられている。 本稿では、Iacus et al (2011) で開発された粗い正確なマッチングについて考察する。 統計学的特性はいくつかあるが,本論文では,超親和性推論の枠組みに基づく漸近的アプローチについて検討する。 この手法は,2つの新しいアルゴリズムを提案する粗大化共起(coarsened confounding)に一般化される。 平均因果効果推定器の漸近的結果と一貫性の条件を提供する。 さらに、Iacus et al (2011) における分散式に対する漸近的正当性を提供する。 バイアス補正手法を提案し, 提案手法を2つのよく知られた観測スタディのデータに適用する。

関連論文リスト

• Estimation of multiple mean vectors in high dimension [4.2466572124753]
  我々は,独立標本に基づいて,共通空間上の様々な確率分布の多次元的手段を推定する。 我々のアプローチは、これらのサンプルから得られた経験的手段の凸結合による推定器の形成である。
  論文  参考訳（メタデータ） (2024-03-22T08:42:41Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• Distributionally Robust Causal Inference with Observational Data [4.8986598953553555]
  非確立性の標準的な仮定を伴わない観察研究における平均治療効果の推定を考察する。 本稿では,無観測の共同設立者が存在する可能性を考慮した,一般的な観察研究環境下での堅牢な因果推論の枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-15T16:02:33Z)
• Comparing two samples through stochastic dominance: a graphical approach [2.867517731896504]
  実世界のシナリオでは非決定論的測定が一般的である。 推定累積分布関数に従って2つのサンプルを視覚的に比較するフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-15T13:37:03Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
  ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。 そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
  論文  参考訳（メタデータ） (2021-08-25T21:30:27Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
  判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。 線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
  論文  参考訳（メタデータ） (2020-05-08T05:09:08Z)
• A Survey on Causal Inference [64.45536158710014]
  因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
  論文  参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。