論文の概要: Distributional Instrumental Variable Method

• arxiv url: http://arxiv.org/abs/2502.07641v1
• Date: Tue, 11 Feb 2025 15:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:07:17.888109
• Title: Distributional Instrumental Variable Method
• Title（参考訳）: 分散機器可変法
• Authors: Anastasiia Holovchak, Sorawit Saengkyongam, Nicolai Meinshausen, Xinwei Shen,
• Abstract要約: 本稿では,非線形楽器変数設定における生成的モデリングを利用した分散器用変数(DIV)という新しい手法を提案する。 実験の結果,DIV法は広範囲のシミュレーションデータに対して良好に動作することがわかった。 また、DIVを単一セルデータセットに適用し、不明瞭な介入の下での遺伝子発現予測における一般化可能性と安定性について検討する。
• 参考スコア（独自算出の注目度）: 4.34680331569334
• License:
• Abstract: The instrumental variable (IV) approach is commonly used to infer causal effects in the presence of unmeasured confounding. Conventional IV models commonly make the additive noise assumption, which is hard to ensure in practice, but also typically lack flexibility if the causal effects are complex. Further, the vast majority of the existing methods aims to estimate the mean causal effects only, a few other methods focus on the quantile effects. This work aims for estimation of the entire interventional distribution. We propose a novel method called distributional instrumental variables (DIV), which leverages generative modelling in a nonlinear instrumental variable setting. We establish identifiability of the interventional distribution under general assumptions and demonstrate an `under-identified' case where DIV can identify the causal effects while two-step least squares fails to. Our empirical results show that the DIV method performs well for a broad range of simulated data, exhibiting advantages over existing IV approaches in terms of the identifiability and estimation error of the mean or quantile treatment effects. Furthermore, we apply DIV to an economic data set to examine the causal relation between institutional quality and economic development and our results that closely align with the original study. We also apply DIV to a single-cell data set, where we study the generalizability and stability in predicting gene expression under unseen interventions. The software implementations of DIV are available in R and Python.
• Abstract（参考訳）: インストゥルメンタル変数 (IV) アプローチは、測定されていないコンバウンディングの存在下で因果効果を推測するために一般的に用いられる。 従来のIVモデルは一般的に付加的な雑音を仮定するが、因果効果が複雑であれば柔軟性を欠く。 さらに、既存の手法の大半は、平均因果効果のみを推定することを目的としており、他のいくつかの手法は量子効果に焦点を当てている。 本研究は介入分布全体の推定を目的とした。 本稿では,非線形楽器変数設定における生成的モデリングを利用した分散器用変数(DIV)という新しい手法を提案する。 一般前提下での介入分布の同定可能性を確立し,二段階の最小二乗が失敗しながらDIVが因果効果を識別できる「未確認」事例を示す。 実験の結果, DIV法は様々なシミュレーションデータに対して良好に機能し, 平均および量子的処理効果の同定可能性および推定誤差の観点から, 既存のIV法よりも有利であることがわかった。 さらに、DIVを経済データセットに適用し、制度的品質と経済発展の因果関係と、原研究と密接に一致する結果について検討する。 また、DIVを単一セルデータセットに適用し、不明瞭な介入の下での遺伝子発現予測における一般化可能性と安定性について検討する。 DIVのソフトウェア実装はRとPythonで利用可能である。

関連論文リスト

• Targeted Data Fusion for Causal Survival Analysis Under Distribution Shift [46.84912148188679]
  因果推論は、科学的発見の一般化可能性、輸送性、複製性を改善する可能性がある。 既存のデータ融合手法はバイナリや連続的な結果に重点を置いている。 マルチソース因果サバイバル分析のための2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-30T23:21:25Z)
• Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
  本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。 ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
  論文  参考訳（メタデータ） (2024-10-21T07:24:26Z)
• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data [62.56890808004615]
  本研究では,信頼性とロバストな意思決定を確実にする,分散データ解析の解釈可能な手法を開発した。 ADD MALTSの有用性について,糖尿病リスク軽減のための連続グルコースモニターの有効性について検討した。
  論文  参考訳（メタデータ） (2023-12-17T00:42:42Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Instrumental Variables in Causal Inference and Machine Learning: A Survey [26.678154268037595]
  因果推論(英: Causal inference)とは、データに基づく変数間の因果関係に関する結論を引き出すために仮定を用いる過程である。 因果推論と機械学習の両分野における増大する文献は、計測変数(IV)の使用を提案する 本論文は、因果推論と機械学習の両方において、IV法とその応用を体系的かつ包括的に導入し、議論する最初の試みである。
  論文  参考訳（メタデータ） (2022-12-12T08:59:04Z)
• Causal Inference with Conditional Instruments using Deep Generative Models [21.771832598942677]
  標準IVは、処理変数と関係があり、システム内の他のすべての変数とは独立していると期待されている。 変数を変数の集合に条件付けするための条件付きIV(CIV)法が提案されている。 平均因果効果推定のために,CIVの表現とその条件セットを,潜伏した共同設立者とのデータから学習することを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:31:54Z)
• Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data [0.0]
  測定変数(IV)は、観察データから興味の結果に対する治療の因果効果を推定するための強力なアプローチである。 既存のIV法は、IVが選択され、ドメイン知識で正当化されることを要求する。 本稿では,データから有効なIVを発見するためのデータ駆動アルゴリズムについて,軽度な仮定で検討・設計する。
  論文  参考訳（メタデータ） (2022-06-04T07:48:13Z)
• The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions [0.0]
  ゲノミクスのような特定の環境では、不均一な研究条件からのデータがあり、研究変数のサブセットのみに関連するソフトな(部分的な)介入がある。 観察データと介入データとの混合に対する介入BGeスコアを定義し,介入の目的と効果が不明である可能性がある。
  論文  参考訳（メタデータ） (2022-05-05T12:32:08Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。