論文の概要: Statistical Inference under Performativity

• arxiv url: http://arxiv.org/abs/2505.18493v3
• Date: Sat, 25 Oct 2025 01:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.567582
• 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: 統計的推論のエンドツーエンドのフレームワークを性能評価の下で開始する。 まず、性能設定における推定と推測のための中心極限定理を確立する。 第二に、この中心極限定理を利用して予測駆動推論(PPI)を性能下で研究する。
• 参考スコア（独自算出の注目度）: 13.413265562265414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performativity of predictions refers to the phenomenon where prediction-informed decisions influence the very targets they aim to predict -- a dynamic commonly observed in policy-making, social sciences, and economics. In this paper, we initiate an end-to-end framework of statistical inference under performativity. Our contributions are twofold. First, we establish a central limit theorem for estimation and inference in the performative setting, enabling standard inferential tasks such as constructing confidence intervals and conducting hypothesis tests in policy-making contexts. Second, we leverage this central limit theorem to study prediction-powered inference (PPI) under performativity. This approach yields more precise estimates and tighter confidence regions for the model parameters (i.e., policies) of interest in performative prediction. We validate the effectiveness of our framework through numerical experiments. To the best of our knowledge, this is the first work to establish a complete statistical inference under performativity, introducing new challenges and inference settings that we believe will provide substantial value 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するターゲットに影響を及ぼす現象を指し、これは政策決定、社会科学、経済学でよく見られるダイナミックな現象である。 本稿では,統計的推論のエンドツーエンドの枠組みを,演奏性の下で開始する。 私たちの貢献は2倍です。 まず、信頼区間の構築や政策決定の文脈での仮説テストの実行など、標準的な推論タスクを可能にする、パフォーマンス設定における推定と推測のための中心極限定理を確立する。 第二に、この中心極限定理を利用して予測駆動推論(PPI)を性能下で研究する。 このアプローチは、パフォーマンス予測における関心のモデルパラメータ(すなわちポリシー)に対して、より正確な見積もりとより厳密な信頼領域をもたらす。 数値実験により,本フレームワークの有効性を検証した。 私たちの知識を最大限に活用するために、これはパフォーマンス性の下で完全な統計的推論を確立し、ポリシー作成、統計、機械学習にかなりの価値をもたらすと信じている新しい課題と推論設定を導入する最初の試みである。

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)
• An Information Theoretic Perspective on Conformal Prediction [15.194199235970242]
  コンフォーマル予測(CP)は、ユーザが特定した確率で真の答えを含むことが保証される予測セットを構成する。 本研究では,情報理論を利用して共形予測と不確実性の概念を結びつける。
  論文  参考訳（メタデータ） (2024-05-03T14:43:07Z)
• Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
  時間的知識グラフ(TKG)は、与えられた歴史的事実に基づいて将来の事実を予測することを目的としている。 既存のTKG推論モデルは、不確実な予測を控えることができない。 本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
  論文  参考訳（メタデータ） (2024-04-02T06:56:21Z)
• Prediction De-Correlated Inference: A safe approach for post-prediction inference [0.8192907805418583]
  この設定での推論はしばしばポスト述語推論と呼ばれる。 我々は,予測相関推論 (PDC) という,予測後条件下での統計的推論のための新しい仮定リーンフレームワークを提案する。 我々のアプローチは安全であり、PDCが任意のブラックボックス機械学習モデルに自動的に適応し、教師付き機械学習モデルよりも一貫して優れる。
  論文  参考訳（メタデータ） (2023-12-11T16:04:48Z)
• 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。