論文の概要: Practically Effective Adjustment Variable Selection in Causal Inference

• arxiv url: http://arxiv.org/abs/2502.02701v1
• Date: Tue, 04 Feb 2025 20:35:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:28:03.438002
• Title: Practically Effective Adjustment Variable Selection in Causal Inference
• Title（参考訳）: 因果推論における適応変数選択の実用的有効性
• Authors: Atsushi Noda, Takashi Isozaki,
• Abstract要約: 本稿では,適応変数のリストから変数を選択するための基準をアルゴリズムとともに提案し,因果効果推定における劣化精度を抑える。 既存のデータと人工データの両方を用いて,本手法の実用性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the estimation of causal effects, one common method for removing the influence of confounders is to adjust the variables that satisfy the back-door criterion. However, it is not always possible to uniquely determine sets of such variables. Moreover, real-world data is almost always limited, which means it may be insufficient for statistical estimation. Therefore, we propose criteria for selecting variables from a list of candidate adjustment variables along with an algorithm to prevent accuracy degradation in causal effect estimation. We initially focus on directed acyclic graphs (DAGs) and then outlines specific steps for applying this method to completed partially directed acyclic graphs (CPDAGs). We also present and prove a theorem on causal effect computation possibility in CPDAGs. Finally, we demonstrate the practical utility of our method using both existing and artificial data.
• Abstract（参考訳）: 因果効果の推定において、共同創設者の影響を除去する一般的な方法は、バックドア基準を満たす変数を調整することである。 しかし、そのような変数の集合を一意に決定することは必ずしも不可能ではない。 さらに、現実世界のデータはほとんど常に限られており、統計的推定には不十分である可能性がある。 そこで本研究では,適応変数のリストから変数を選択するための基準と,因果効果推定における精度劣化を防止するアルゴリズムを提案する。 最初は有向非巡回グラフ(DAG)に焦点をあて、その後、この手法を部分的に有向非巡回グラフ(CPDAG)に応用するための具体的な手順を概説する。 また, CPDAGにおける因果効果の計算可能性に関する定理を提示し, 証明する。 最後に,既存のデータと人工データの両方を用いて,本手法の実用性を実証する。

関連論文リスト

• Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables [15.105594376616253]
  非実験データから因果効果を推定することは、科学の多くの分野における根本的な問題である。 非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。 我々は、合成データと実世界のデータの両方に関する広範な実験を通じて、アルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-25T12:08:54Z)
• Front-door Adjustment Beyond Markov Equivalence with Limited Graph Knowledge [36.210656212459554]
  本報告では,正面調整を用いて因果効果を計算するための条件付き独立文について述べる。 本手法はマルコフ同値クラスが因果効果推定に十分でない場合に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-19T15:16:56Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• 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)
• 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)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)
• Inference of Causal Effects when Control Variables are Unknown [16.244541005112747]
  本研究では, 平均因果効果を推定する手法を提案する。 データ生成過程が非循環構造因果モデルのクラスに属する場合、本手法が有効な信頼区間を生成することを証明した。
  論文  参考訳（メタデータ） (2020-12-15T08:54:26Z)
• Causal query in observational data with hidden variables [0.0]
  本研究では、局所探索を用いて、観測データから因果効果を推定するための調整変数のスーパーセットを求める定理を開発する。 開発した定理に基づいて,因果クエリのためのデータ駆動型アルゴリズムを提案する。 実験により,提案アルゴリズムは隠れ変数を持つ既存のデータ駆動因果効果推定法よりも高速で,因果効果を推定できることがわかった。
  論文  参考訳（メタデータ） (2020-01-28T11:23:26Z)
• Polynomial-Time Exact MAP Inference on Discrete Models with Global Dependencies [83.05591911173332]
  ジャンクションツリーアルゴリズムは、実行時の保証と正確なMAP推論のための最も一般的な解である。 本稿では,ノードのクローン化による新たなグラフ変換手法を提案する。
  論文  参考訳（メタデータ） (2019-12-27T13:30:29Z)

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。