論文の概要: Statistical Inference under Performativity

• arxiv url: http://arxiv.org/abs/2505.18493v1
• Date: Sat, 24 May 2025 03:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.458186
• Title: Statistical Inference under Performativity
• Title（参考訳）: パーフォーマティビティ下における統計的推測
• Authors: Xiang Li, Yunai Li, Huiying Zhong, Lihua Lei, Zhun Deng,
• Abstract要約: 我々は、実演性の下での推定と推論のための中心極限定理を構築する。 我々は、小さなラベル付きデータセットとより大規模な機械学習予測データセットに基づいて、性能評価下での予測駆動推論(PPI)について検討する。 本論文は,我々の知る限り,性能評価に基づく統計的推論を初めて確立した論文である。
• 参考スコア（独自算出の注目度）: 12.935979571180464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performativity of predictions refers to the phenomena that prediction-informed decisions may influence the target they aim to predict, which is widely observed in policy-making in social sciences and economics. In this paper, we initiate the study of statistical inference under performativity. Our contribution is two-fold. First, we build a central limit theorem for estimation and inference under performativity, which enables inferential purposes in policy-making such as constructing confidence intervals or testing hypotheses. Second, we further leverage the derived central limit theorem to investigate prediction-powered inference (PPI) under performativity, which is based on a small labeled dataset and a much larger dataset of machine-learning predictions. This enables us to obtain more precise estimation and improved confidence regions for the model parameter (i.e., policy) of interest in performative prediction. We demonstrate the power of our framework by numerical experiments. To the best of our knowledge, this paper is the first one to establish statistical inference under performativity, which brings up new challenges and inference settings that we believe will add significant values to policy-making, statistics, and machine learning.
• Abstract（参考訳）: 予測の順応性は、予測インフォームド決定が予測対象に影響を及ぼす現象であり、社会科学や経済学の政策決定において広く見られる。 本稿では,実演率に基づく統計的推測の開始について述べる。 私たちの貢献は2倍です。 まず,信頼区間の構築や仮説の検証といった政策立案における推論的目的を実現することを目的として,評価と推論のための中心極限定理を構築した。 第二に、導出された中央極限定理を利用して、小さなラベル付きデータセットとはるかに大きな機械学習予測データセットに基づいて、予測駆動推論(PPI)を性能評価下で調査する。 これにより、実行予測における関心のモデルパラメータ(ポリシー)に対するより正確な推定と信頼性領域の改善が可能になる。 数値実験によるフレームワークのパワーを実証する。 我々の知る限り、本論文は、パフォーマンス性の下で統計的推論を確立した最初の論文であり、政策決定、統計、機械学習に重要な価値をもたらすと信じている新しい課題と推論設定をもたらす。

関連論文リスト

• Another look at inference after prediction [0.0]
  予測ベース(PB)推論は、少量の金標準データとともに、大量の予測を用いた統計的解析に適合するように設計されている。 PB推論の目標は、(i)予測における誤差からのバイアスを緩和し、(ii)金標準データのみを用いて従来の推論と比較して効率を改善することである。 簡単な修正で予測パワー推論(PPI)を調整し,理論的に正当化された効率改善を実現する。
  論文  参考訳（メタデータ） (2024-11-29T18:12:50Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
  大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。 トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。 我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:36:24Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。