論文の概要: Type 2 Tobit Sample Selection Models with Bayesian Additive Regression Trees
- arxiv url: http://arxiv.org/abs/2502.03600v1
- Date: Wed, 05 Feb 2025 20:41:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-07 14:32:12.384086
- Title: Type 2 Tobit Sample Selection Models with Bayesian Additive Regression Trees
- Title(参考訳): ベイジアン付加回帰木を用いたタイプ2トビットサンプル選択モデル
- Authors: Eoghan O'Neill,
- Abstract要約: 非線形性およびモデル不確実性を考慮したタイプ2Tobitサンプル選択モデルを拡張した。
我々は、シミュレーション研究と、RAND Health Insurance Experimentデータセットへの応用を含む。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: This paper introduces Type 2 Tobit Bayesian Additive Regression Trees (TOBART-2). BART can produce accurate individual-specific treatment effect estimates. However, in practice estimates are often biased by sample selection. We extend the Type 2 Tobit sample selection model to account for nonlinearities and model uncertainty by including sums of trees in both the selection and outcome equations. A Dirichlet Process Mixture distribution for the error terms allows for departure from the assumption of bivariate normally distributed errors. Soft trees and a Dirichlet prior on splitting probabilities improve modeling of smooth and sparse data generating processes. We include a simulation study and an application to the RAND Health Insurance Experiment data set.
- Abstract(参考訳): 本稿では,Tobit Bayesian Additive Regression Trees (TOBART-2)を紹介する。
BARTは個々の治療効果を正確に推定することができる。
しかし、実際には、見積もりはサンプル選択によってバイアスされることが多い。
我々は,選択式と結果式の両方に木々の和を含めることで,非線形性や不確実性を考慮したタイプ2Tobitサンプル選択モデルを拡張した。
エラー項に対するディリクレ過程混合分布は、二変量正規分布誤差の仮定から逸脱することができる。
分裂確率に先立つソフトツリーとディリクレは、滑らかでスパースなデータ生成プロセスのモデリングを改善する。
我々は、シミュレーション研究と、RAND Health Insurance Experimentデータセットへの応用を含む。
関連論文リスト
- Joint Models for Handling Non-Ignorable Missing Data using Bayesian Additive Regression Trees: Application to Leaf Photosynthetic Traits Data [0.0]
欠落したデータに対する対処は、予測分析において大きな課題となる。
データがランダムに欠落している場合、データのモデリングとデータインジケータの欠落が不可欠である。
本稿では,データ不足を伴うデータ処理のための選択モデルに基づく2つの手法を提案する。
論文 参考訳(メタデータ) (2024-12-19T15:26:55Z) - Challenges learning from imbalanced data using tree-based models: Prevalence estimates systematically depend on hyperparameters and can be upwardly biased [0.0]
不均衡二項分類問題は、多くの研究分野において発生する。
モデルのトレーニングのための(より)バランスのとれたデータセットを作成するために、多数派のクラスをサブサンプルするのが一般的です。
これは、モデルが新しいデータと同じデータ生成プロセスに従わないデータセットから学習するため、モデルの予測をバイアスする。
論文 参考訳(メタデータ) (2024-12-17T19:38:29Z) - Twice Class Bias Correction for Imbalanced Semi-Supervised Learning [59.90429949214134]
textbfTwice textbfClass textbfBias textbfCorrection (textbfTCBC) と呼ばれる新しいアプローチを導入する。
トレーニング過程におけるモデルパラメータのクラスバイアスを推定する。
非ラベル標本に対してモデルの擬似ラベルに二次補正を適用する。
論文 参考訳(メタデータ) (2023-12-27T15:06:36Z) - On Uncertainty Estimation by Tree-based Surrogate Models in Sequential
Model-based Optimization [13.52611859628841]
予測不確実性推定の観点から,ランダム化木の様々なアンサンブルを再検討し,その挙動について検討する。
BwO林と呼ばれる無作為な樹木のアンサンブルを構築するための新しい手法を提案する。
実験により,既存の樹木モデルに対するBwO林の有効性と性能について様々な状況で検証した。
論文 参考訳(メタデータ) (2022-02-22T04:50:37Z) - 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) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳(メタデータ) (2021-09-27T01:09:08Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳(メタデータ) (2021-09-06T14:52:58Z) - 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) - Inference in Bayesian Additive Vector Autoregressive Tree Models [0.0]
本稿では,Vector Autoregressive(VAR)モデルとBayesian Additive regression Tree(BART)モデルを組み合わせることを提案する。
得られたBAVARTモデルは、研究者から多くを入力することなく、任意の非線形関係をキャプチャすることができる。
我々は、米国の金利構造とユーロ圏経済という2つのデータセットに適用する。
論文 参考訳(メタデータ) (2020-06-29T19:37:09Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳(メタデータ) (2020-02-17T19:23:36Z)
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。