論文の概要: Forests for Differences: Robust Causal Inference Beyond Parametric DiD

• arxiv url: http://arxiv.org/abs/2505.09706v2
• Date: Mon, 09 Jun 2025 11:53:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.071072
• Title: Forests for Differences: Robust Causal Inference Beyond Parametric DiD
• Title（参考訳）: 異なる森:パラメトリックなdiDを超えるロバストな因果推論
• Authors: Hugo Gobato Souto, Francisco Louzada Neto,
• Abstract要約: DiD-BCF(Didi-in-Differences Bayesian Causal Forest)は、DD推定における重要な課題に対処する新しい非パラメトリックモデルである。 DiD-BCFは、平均(ATE)、グループ平均(GATE)、条件平均処理効果(CATE)を推定するための統一的なフレームワークを提供する。 大規模なシミュレーションでは、DD-BCFは確立されたベンチマークよりも優れた性能を示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces the Difference-in-Differences Bayesian Causal Forest (DiD-BCF), a novel non-parametric model addressing key challenges in DiD estimation, such as staggered adoption and heterogeneous treatment effects. DiD-BCF provides a unified framework for estimating Average (ATE), Group-Average (GATE), and Conditional Average Treatment Effects (CATE). A core innovation, its Parallel Trends Assumption (PTA)-based reparameterization, enhances estimation accuracy and stability in complex panel data settings. Extensive simulations demonstrate DiD-BCF's superior performance over established benchmarks, particularly under non-linearity, selection biases, and effect heterogeneity. Applied to U.S. minimum wage policy, the model uncovers significant conditional treatment effect heterogeneity related to county population, insights obscured by traditional methods. DiD-BCF offers a robust and versatile tool for more nuanced causal inference in modern DiD applications.
• Abstract（参考訳）: 本稿では,非パラメトリックな非パラメトリックモデルであるDiD-BCF(DiD-BCF)について紹介する。 DiD-BCFは、平均値(ATE)、グループ平均値(GATE)、条件平均値処理効果(CATE)を推定するための統一的なフレームワークを提供する。 中心となるイノベーションは、PTA(Parallel Trends Assumption)ベースの再パラメータ化であり、複雑なパネルデータ設定における推定精度と安定性を高める。 大規模なシミュレーションにより、DD-BCFは確立されたベンチマークよりも優れた性能を示し、特に非線形性、選択バイアス、エフェクトの不均一性が示されている。 アメリカ合衆国の最低賃金政策に適用すると、このモデルは郡人口に関する重要な条件的処理効果を明らかにし、伝統的な方法では見当たらない。 DiD-BCFは、現代のDiDアプリケーションにおいて、よりニュアンスな因果推論のための堅牢で汎用的なツールを提供する。

関連論文リスト

• Bayesian Experimental Design for Model Discrepancy Calibration: An Auto-Differentiable Ensemble Kalman Inversion Approach [0.0]
  自動微分可能アンサンブルカルマンインバージョン(AD-EKI)によるハイブリッドBEDフレームワークを提案する。 我々は実験的な設計を反復的に最適化し、標準BED法で処理される低次元物理パラメータの推論を分離する。 提案手法は古典的対流拡散BED例を用いて検討した。
  論文  参考訳（メタデータ） (2025-04-29T00:10:45Z)
• A Meta-learner for Heterogeneous Effects in Difference-in-Differences [17.361857058902494]
  条件付き平均処理効果(CATT)の評価のための二重頑健なメタラーナを提案する。 我々のフレームワークは、汎用機械学習を用いて、興味のある変数の任意のサブセットを条件付ける際に、CATTの柔軟な推定を可能にする。
  論文  参考訳（メタデータ） (2025-02-07T07:04:37Z)
• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• 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)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace [12.114394141790438]
  アップリフトモデリングは、機械学習と因果推論手法を用いて不均一な治療効果を推定する、急速に成長するアプローチである。 非パラメトリック線量応答関数(DRF)をカーネルベースの二重頑健な推定器を用いて局所的に推定できる因果林(CF)を拡張した。 合成および実世界の両方のデータセット上で、一般的なアップリフトモデルと比較することにより、GCFの有効性を示す。
  論文  参考訳（メタデータ） (2022-03-21T13:35:55Z)
• BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
  構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。 近年の進歩により、観測データからDAGの有効最大点推定が可能となった。 線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
  論文  参考訳（メタデータ） (2021-12-06T03:35:21Z)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)
• Decomposed Adversarial Learned Inference [118.27187231452852]
  我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。 DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。 MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
  論文  参考訳（メタデータ） (2020-04-21T20:00:35Z)

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。