論文の概要: An extensive simulation study evaluating the interaction of resampling techniques across multiple causal discovery contexts

• arxiv url: http://arxiv.org/abs/2503.15436v1
• Date: Wed, 19 Mar 2025 17:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:30.492537
• Title: An extensive simulation study evaluating the interaction of resampling techniques across multiple causal discovery contexts
• Title（参考訳）: 複数の因果発見文脈における再サンプリング手法の相互作用評価に関する広範囲なシミュレーション研究
• Authors: Ritwick Banerjee, Bryan Andrews, Erich Kummerfeld,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.0946534289186842
• License:
• Abstract: Despite the accelerating presence of exploratory causal analysis in modern science and medicine, the available non-experimental methods for validating causal models are not well characterized. One of the most popular methods is to evaluate the stability of model features after resampling the data, similar to resampling methods for estimating confidence intervals in statistics. Many aspects of this approach have received little to no attention, however, such as whether the choice of resampling method should depend on the sample size, algorithms being used, or algorithm tuning parameters. We present theoretical results proving that certain resampling methods closely emulate the assignment of specific values to algorithm tuning parameters. We also report the results of extensive simulation experiments, which verify the theoretical result and provide substantial data to aid researchers in further characterizing resampling in the context of causal discovery analysis. Together, the theoretical work and simulation results provide specific guidance on how resampling methods and tuning parameters should be selected in practice.
• Abstract（参考訳）: 現代科学や医学における探索的因果解析の急速な存在にもかかわらず、因果モデルを検証するための実験的でない方法は、十分に評価されていない。 最も一般的な手法の1つは、統計における信頼区間を推定する再サンプリング法と同様に、データの再サンプリング後のモデル特徴の安定性を評価することである。 このアプローチの多くの側面は、サンプルサイズ、使われているアルゴリズム、アルゴリズムのチューニングパラメータなど、ほとんど注目されていない。 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,特定の再サンプリング手法が密接にエミュレートしていることを示す理論的結果を示す。 また、理論的結果の検証と、因果発見分析の文脈における再サンプリングのさらなる特徴付けを支援するために、かなりのデータを提供する広範なシミュレーション実験の結果についても報告する。 理論的な研究とシミュレーションの結果は、どのように再サンプリング手法とチューニングパラメータを実際に選択すべきかに関する具体的なガイダンスを提供する。

関連論文リスト

• Coarsened confounding for causal effects: a large-sample framework [3.9483979013722683]
  We consider coarsened exact matching, developed in Iacus et al。 この手法は,2つの新しいアルゴリズムを提案する粗大化共起(coarsened confounding)に一般化される。 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スタディのデータに適用する。
  論文  参考訳（メタデータ） (2025-01-06T16:47:24Z)
• Globally-Optimal Greedy Experiment Selection for Active Sequential Estimation [1.1530723302736279]
  逐次的に収集したデータの実験を適応的に選択するアクティブシーケンシャル推定の問題について検討する。 目標は、より正確なモデル推定のための実験選択ルールを設計することである。 そこで本稿では,グリーディ実験の選択手法のクラスを提案し,最大可能性の統計的解析を行う。
  論文  参考訳（メタデータ） (2024-02-13T17:09:29Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• 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)
• Quantitative probing: Validating causal models using quantitative domain knowledge [0.0]
  本稿では,量的ドメイン知識の存在下での因果モデル検証の枠組みとして量的探索を提案する。 相関に基づく機械学習における列車/テスト分割の類似体として構築する。 因果解析に定量的なプローブを統合するためのコードは、2つの別々のオープンソースPythonパッケージに提供されている。
  論文  参考訳（メタデータ） (2022-09-07T09:19:11Z)
• 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)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference [7.551130027327462]
  ランダム化制御試験(OSRCT)の観察サンプリングを記述・解析する。 この手法は、処理効果の非偏見的な推定値で構築された観測データセットを作成するのに使用できる。 次に,37データセットに対して7つの因果推論手法を大規模に評価する。
  論文  参考訳（メタデータ） (2020-10-06T21:44:01Z)
• 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。