論文の概要: Generalized coarsened confounding for causal effects: a large-sample framework
- arxiv url: http://arxiv.org/abs/2501.03129v2
- Date: Thu, 03 Jul 2025 17:50:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-04 15:37:13.284516
- Title: Generalized coarsened confounding for causal effects: a large-sample framework
- Title（参考訳）: 因果効果に対する一般化粗大化共役--大サンプルフレームワーク
- Authors: Debashis Ghosh, Lei Wang,
- Abstract要約: 共起のための一般化された粗い手続きのクラスを考える。
一般化された粗大化共役のための2つの新しいアルゴリズムを提案する。
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研究データに適用する。
- 参考スコア（独自算出の注目度）: 3.9483979013722683
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- 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 a class of generalized coarsened procedures for confounding. At a high level, these procedures can be viewed as performing a clustering of confounding variables, followed by treatment effect and attendant variance estimation using the confounder strata. In addition, we propose two new algorithms for generalized coarsened confounding. While Iacus et al. (2011) developed some statistical properties for one special case in our class of procedures, we instead develop a general asymptotic framework. We provide 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 studies.
- 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,コンバウンディングのための一般化された粗い手続きのクラスについて考察する。
高いレベルでは、これらの手順は共起変数のクラスタリングを行い、その後に共同設立者層を用いた処理効果と随伴分散推定を行うと見なすことができる。
さらに,一般化粗大化共起のための2つの新しいアルゴリズムを提案する。
Iacus et al (2011) は、我々の手続きのクラスにおける特別な場合のいくつかの統計的性質を開発したが、代わりに一般的な漸近的枠組みを開発した。
平均因果効果推定器に対する漸近的な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研究データに適用する。
関連論文リスト
- An extensive simulation study evaluating the interaction of resampling techniques across multiple causal discovery contexts [2.0946534289186842]
本稿では,アルゴリズムのチューニングパラメータに対する特定の値の割り当てをエミュレートする再サンプリング手法を提案する。
また,理論結果を検証し,重要なデータを提供する広範囲なシミュレーション実験の結果についても報告する。
論文 参考訳（メタデータ） (2025-03-19T17:18:18Z) - Black Box Causal Inference: Effect Estimation via Meta Prediction [56.277798874118425]
因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。
我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。
我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
論文 参考訳（メタデータ） (2025-03-07T23:43:19Z) - 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) - 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) - Causal Inference under Outcome-Based Sampling with Monotonicity
Assumptions [0.0]
ケースコントロールとケースポピュレーションサンプリングによる因果推論について検討した。
強い無知性は、必ずしもランダムサンプリングのときほど強力ではないことを示す。
論文 参考訳（メタデータ） (2020-04-17T16:01:34Z) - 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。