論文の概要: Efficient Adaptive Experimentation with Non-Compliance

• arxiv url: http://arxiv.org/abs/2505.17468v1
• Date: Fri, 23 May 2025 04:49:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.818468
• Title: Efficient Adaptive Experimentation with Non-Compliance
• Title（参考訳）: 非コンプライアンスを用いた適応実験の効率化
• Authors: Miruna Oprescu, Brian M Cho, Nathan Kallus,
• Abstract要約: 本研究では, 適応実験における平均治療効果 (ATE) の推定問題について検討する。 AMRIV は最適アロケーションを (ii) 乗算整合性を維持しつつ半パラメトリック効率を達成できる逐次的影響関数に基づく推定器で適応的に近似するオンラインポリシーである。
• 参考スコア（独自算出の注目度）: 39.43227019824619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of estimating the average treatment effect (ATE) in adaptive experiments where treatment can only be encouraged--rather than directly assigned--via a binary instrumental variable. Building on semiparametric efficiency theory, we derive the efficiency bound for ATE estimation under arbitrary, history-dependent instrument-assignment policies, and show it is minimized by a variance-aware allocation rule that balances outcome noise and compliance variability. Leveraging this insight, we introduce AMRIV--an \textbf{A}daptive, \textbf{M}ultiply-\textbf{R}obust estimator for \textbf{I}nstrumental-\textbf{V}ariable settings with variance-optimal assignment. AMRIV pairs (i) an online policy that adaptively approximates the optimal allocation with (ii) a sequential, influence-function-based estimator that attains the semiparametric efficiency bound while retaining multiply-robust consistency. We establish asymptotic normality, explicit convergence rates, and anytime-valid asymptotic confidence sequences that enable sequential inference. Finally, we demonstrate the practical effectiveness of our approach through empirical studies, showing that adaptive instrument assignment, when combined with the AMRIV estimator, yields improved efficiency and robustness compared to existing baselines.
• Abstract（参考訳）: 本研究では, 適応実験における平均治療効果 (ATE) の推定問題について検討する。 半パラメトリック効率理論に基づいて、任意の履歴に依存した機器割り当てポリシーの下でのATE推定の効率を導出し、結果ノイズとコンプライアンス変数のバランスをとる分散アロケーションルールにより最小化できることを示す。 本稿では,AMRIV--an \textbf{A}daptive, \textbf{M}ultiply-\textbf{R}obust estimator for \textbf{I}nstrumental-\textbf{V}ariable settings with variance-optimal assignmentを提案する。 AMRIV対 一 最適割当を適応的に近似するオンライン政策 (II)乗算ロバスト整合性を維持しつつ半パラメトリック効率バウンドを達成するシーケンシャルな影響関数に基づく推定器。 我々は、逐次推論を可能にする漸近的正規性、明示的収束率、および任意の有意な漸近的信頼シーケンスを確立する。 最後に,AMRIV推定器と組み合わせたアダプティブ・インスツルメンツが,既存のベースラインに比べて効率と堅牢性を向上することを示し,本手法の有効性を実証研究により実証した。

関連論文リスト

• On the Role of Surrogates in Conformal Inference of Individual Causal Effects [0.0]
  UnderlineEfficient IunderlineNdividual UnderlineCausal UnderlineEffects (SCIENCE) に対する UnderlineSurrogate-assisted Underline Conformal Underline Inference を導入する。 SCIENCEは、個々の治療効果(ITE)に対してより効率的な予測間隔を構築するために設計されたフレームワークである。 これは第3相であるModerna COVE COVID-19ワクチンの臨床試験に適用される。
  論文  参考訳（メタデータ） (2024-12-16T21:36:11Z)
• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  The consistency properties of TD learning with Polyak-Ruppert averaging and linear function approximation。 まず、分散に明示的に依存し、弱い条件下で保持する新しい高次元確率収束保証を導出する。 さらに、文献よりも高速な速度を保証する凸集合のクラスに対して、洗練された高次元ベリー-エッセイン境界を確立する。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• A Semiparametric Instrumented Difference-in-Differences Approach to Policy Learning [2.1989182578668243]
  本稿では,最適な治療方針を学習するための汎用機器差分差分法(DiD)アプローチを提案する。 具体的には、並列傾向仮定が成立しない場合、二進楽器変数(IV)を用いて識別結果を確立する。 また、ウォルド推定器、新しい逆確率推定器、半効率的で乗算的な頑健な推定器のクラスを構築する。
  論文  参考訳（メタデータ） (2023-10-14T09:38:32Z)
• Asymptotically Unbiased Instance-wise Regularized Partial AUC Optimization: Theory and Algorithm [101.44676036551537]
  One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。 既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。 本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
  論文  参考訳（メタデータ） (2022-10-08T08:26:22Z)
• Stochastic Optimization of Areas Under Precision-Recall Curves with Provable Convergence [66.83161885378192]
  ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。 本稿では,深層学習のためのAUPRCの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:22:21Z)
• Efficient Adaptive Experimental Design for Average Treatment Effect Estimation [20.361745967568154]
  適応実験を用いて平均治療効果(ATE)を効率的に推定する方法を検討する。 適応実験において、実験者は過去のデータに基づいて治療確率を更新しながら、順次実験単位に治療を割り当てる。 提案した設計の任意のラウンドで有効である非パラメトリックおよび非漸近信頼区間を開発する。
  論文  参考訳（メタデータ） (2020-02-13T02:04:17Z)

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。