論文の概要: Learning Conditional Average Treatment Effects in Regression Discontinuity Designs using Bayesian Additive Regression Trees

• arxiv url: http://arxiv.org/abs/2503.00326v1
• Date: Sat, 01 Mar 2025 03:23:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:17:11.275826
• Title: Learning Conditional Average Treatment Effects in Regression Discontinuity Designs using Bayesian Additive Regression Trees
• Title（参考訳）: ベイジアン付加回帰木を用いた回帰不連続設計における条件平均処理効果の学習
• Authors: Rafael Alcantara, P. Richard Hahn, Carlos Carvalho, Hedibert Lopes,
• Abstract要約: 本稿では, 回帰不連続設計から条件付き平均処理効果(CATE)を学習するためのBARTモデルについて検討する。 線形回帰葉モデルを用いたBARTの目的構築バージョンは、既製のBART実装よりも優れた性能を示す。 本手法は, 学生の学業成績に及ぼす学業調査の効果を実証的に検討するとともに, 徹底的なシミュレーション研究において評価された。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License:
• Abstract: BART (Bayesian additive regression trees) has been established as a leading supervised learning method, particularly in the field of causal inference. This paper explores the use of BART models for learning conditional average treatment effects (CATE) from regression discontinuity designs, where treatment assignment is based on whether an observed covariate (called the running variable) exceeds a pre-specified threshold. A purpose-built version of BART that uses linear regression leaf models (of the running variable and treatment assignment dummy) is shown to out-perform off-the-shelf BART implementations as well as a local polynomial regression approach and a CART-based approach. The new method is evaluated in thorough simulation studies as well as an empirical application looking at the effect of academic probation on student performance.
• Abstract（参考訳）: BART (Bayesian additive regression tree) は、特に因果推論の分野において指導的学習法として確立されている。 本稿では,BARTモデルを用いた回帰不連続性設計からの条件平均処理効果(CATE)の学習について検討する。 線形回帰葉モデル(実行変数および処理代入ダミー)を用いたBARTの目的構築バージョンは、既製のBART実装、局所多項式回帰アプローチ、CARTベースのアプローチよりも優れた性能を示す。 本手法は, 学生の学業成績に及ぼす学業調査の効果を実証的に検討するとともに, 徹底的なシミュレーション研究において評価された。

関連論文リスト

• Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments [0.0]
  本稿では, 連続処理における平均処理効果 (ATE) と条件平均処理効果 (CATE) を推定するための一般化されたps-BARTモデルを提案する。 ps-BARTモデルの非パラメトリックな性質は、処理と結果変数の間の非線形関係を捉える柔軟性をもたらす。
  論文  参考訳（メタデータ） (2024-09-10T15:34:48Z)
• Distribution Learning for Molecular Regression [10.96062816455682]
  Distributional Mixture of Experts (DMoE) はモデルに依存しない、データに依存しない回帰法である。 分子特性予測データセットを用いたDMoEの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-30T00:21:51Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Local Gaussian process extrapolation for BART models with applications to causal inference [0.7734726150561088]
  本稿では, ガウス過程をBARTの葉ノードに移植し, 観測データの範囲外の点を予測するための新しい外挿法を提案する。 シミュレーション研究において、新しいアプローチはJackknife+のような一般的な代替手段よりも優れたパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2022-04-23T00:37:53Z)
• GP-BART: a novel Bayesian additive regression trees approach using Gaussian processes [1.03590082373586]
  GP-BARTモデル(GP-BART model)は、すべての木間の各終端ノードの予測にGP先行を仮定することで制限に対処するBARTの拡張である。 モデルの有効性は、シミュレーションおよび実世界のデータへの応用を通じて実証され、様々なシナリオにおける従来のモデリング手法のパフォーマンスを上回る。
  論文  参考訳（メタデータ） (2022-04-05T11:18:44Z)
• Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
  線形関数近似を用いた強化学習における非政治的評価問題について検討する。 本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
  論文  参考訳（メタデータ） (2021-06-22T17:58:46Z)
• Heterogeneous Treatment Effects in Regression Discontinuity Designs [0.0]
  本稿では,古典的回帰不連続設計における処理効果の不均一性を明らかにするための教師付き機械学習アルゴリズムを提案する。 モンテカルロシミュレーションを用いて,Pop-Eleches と Urquiola (2013) によってコンパイルされたデータセットに適用し,ルーマニアのより良い中等教育に通うことによる様々な異種性の源を明らかにする。
  論文  参考訳（メタデータ） (2021-06-22T09:47:28Z)
• Learning to Reweight Imaginary Transitions for Model-Based Reinforcement Learning [58.66067369294337]
  モデルが不正確または偏りがある場合、虚構軌跡はアクション値とポリシー関数を訓練するために欠落する可能性がある。 虚構遷移を適応的に再重み付けし, 未生成軌跡の負の効果を低減させる。 提案手法は,複数のタスクにおいて,最先端のモデルベースおよびモデルフリーなRLアルゴリズムより優れる。
  論文  参考訳（メタデータ） (2021-04-09T03:13:35Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
  現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。 その微分可能性を利用してモデルをより効果的に活用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-16T19:18:10Z)

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。