論文の概要: Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models

• arxiv url: http://arxiv.org/abs/2505.20536v1
• Date: Mon, 26 May 2025 21:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.302381
• Title: Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
• Title（参考訳）: 不均一パネルデータモデルに対する共変量調整深部因果学習
• Authors: Guanhao Zhou, Yuefeng Han, Xiufan Yu,
• Abstract要約: 本稿では,原因パネルデータモデルにおける不均一な処理効果を推定する作業について検討する。 フレキシブルなモデル構造と強力なニューラルネットワークアーキテクチャを用いたパネルデータモデルのための新しいCoAdjusted Deep Causal Learning(Co)を提案する。
• 参考スコア（独自算出の注目度）: 3.0040661953201475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies the task of estimating heterogeneous treatment effects in causal panel data models, in the presence of covariate effects. We propose a novel Covariate-Adjusted Deep Causal Learning (CoDEAL) for panel data models, that employs flexible model structures and powerful neural network architectures to cohesively deal with the underlying heterogeneity and nonlinearity of both panel units and covariate effects. The proposed CoDEAL integrates nonlinear covariate effect components (parameterized by a feed-forward neural network) with nonlinear factor structures (modeled by a multi-output autoencoder) to form a heterogeneous causal panel model. The nonlinear covariate component offers a flexible framework for capturing the complex influences of covariates on outcomes. The nonlinear factor analysis enables CoDEAL to effectively capture both cross-sectional and temporal dependencies inherent in the data panel. This latent structural information is subsequently integrated into a customized matrix completion algorithm, thereby facilitating more accurate imputation of missing counterfactual outcomes. Moreover, the use of a multi-output autoencoder explicitly accounts for heterogeneity across units and enhances the model interpretability of the latent factors. We establish theoretical guarantees on the convergence of the estimated counterfactuals, and demonstrate the compelling performance of the proposed method using extensive simulation studies and a real data application.
• Abstract（参考訳）: 本稿では,共変量効果の存在下での因果パネルデータモデルにおける不均一な処理効果を推定するタスクについて検討する。 本稿では,パネルデータモデルに柔軟なモデル構造と強力なニューラルネットワークアーキテクチャを用いて,パネル単位と共変量効果の基底となる不均一性と非線形性を結合的に処理する,新しいコバリアント調整深部因果学習(CoDEAL)を提案する。 提案したCoDEALは、非線形共変量効果成分(フィードフォワードニューラルネットワークでパラメータ化)と非線形因子構造(マルチ出力オートエンコーダでモデル化)を統合し、不均一な因果パネルモデルを形成する。 非線形共変量成分は、結果に対する共変量の複雑な影響を捉えるフレキシブルな枠組みを提供する。 非線形因子分析により、CoDEALはデータパネルに固有の断面的および時間的依存関係の両方を効果的にキャプチャできる。 この潜在構造情報はその後、カスタマイズされた行列補完アルゴリズムに統合され、不足する偽結果のより正確な計算が容易になる。 さらに、多出力オートエンコーダの使用は、ユニット間の不均一性を明示的に説明し、潜在因子のモデル解釈可能性を高める。 提案手法は,提案手法の有効性を,広範囲なシミュレーション研究と実データ応用を用いて実証する。

関連論文リスト

• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Learning Massive-scale Partial Correlation Networks in Clinical Multi-omics Studies with HP-ACCORD [10.459304300065186]
  擬似表現に基づくグラフィカル・モデル・フレームワークを提案する。 これは高次元の仮定の下で様々な指標における推定と選択の整合性を維持する。 最大100万変数のシミュレーションデータを用いて,我々のフレームワークの高性能コンピューティング実装を検証した。
  論文  参考訳（メタデータ） (2024-12-16T08:38:02Z)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Learning Bayesian Networks with Heterogeneous Agronomic Data Sets via Mixed-Effect Models and Hierarchical Clustering [0.0]
  2021年現在、トウモロコシはサハラ以南のアフリカ、アジア、ラテンアメリカで1億9700万ヘクタールを占める。 混合効果モデル、ランダム係数モデル、ランダム森林、ディープラーニングアーキテクチャなど、さまざまな統計的および機械学習モデルが、トウモロコシの収量を予測するために考案されている。 本研究では,無作為な効果をベイズネットワーク(BN)に統合し,その能力を利用して有向非巡回グラフによる因果関係と確率関係をモデル化する。
  論文  参考訳（メタデータ） (2023-08-11T21:46:45Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Scalable Regularised Joint Mixture Models [2.0686407686198263]
  多くの応用において、データは異なる基底分布を持つ潜在群にまたがるという意味で不均一である。 我々は,(i)明示的多変量特徴分布,(ii)高次元回帰モデル,(iii)潜在群ラベルの連成学習を可能にする異種データに対するアプローチを提案する。 このアプローチは明らかに高次元において有効であり、計算効率のためのデータ削減と、特徴数が大きければ鍵信号を保持する再重み付けスキームを組み合わせる。
  論文  参考訳（メタデータ） (2022-05-03T13:38:58Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。