論文の概要: Doubly robust estimation of causal effects for random object outcomes with continuous treatments

• arxiv url: http://arxiv.org/abs/2506.22754v1
• Date: Sat, 28 Jun 2025 04:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.548995
• Title: Doubly robust estimation of causal effects for random object outcomes with continuous treatments
• Title（参考訳）: 連続処理によるランダムオブジェクト結果に対する因果効果の二重ロバストな評価
• Authors: Satarupa Bhattacharjee, Bing Li, Xiao Wu, Lingzhou Xue,
• Abstract要約: 因果推論は統計学と科学的発見の中心である。 現代のアプリケーションは複雑で非ユークリッド的なデータ構造をますます含んでいる。 本稿では,非ユークリッドデータに適用した継続的治療による因果推論のための新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 8.874402662101234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal inference is central to statistics and scientific discovery, enabling researchers to identify cause-and-effect relationships beyond associations. While traditionally studied within Euclidean spaces, contemporary applications increasingly involve complex, non-Euclidean data structures that reside in abstract metric spaces, known as random objects, such as images, shapes, networks, and distributions. This paper introduces a novel framework for causal inference with continuous treatments applied to non-Euclidean data. To address the challenges posed by the lack of linear structures, we leverage Hilbert space embeddings of the metric spaces to facilitate Fr\'echet mean estimation and causal effect mapping. Motivated by a study on the impact of exposure to fine particulate matter on age-at-death distributions across U.S. counties, we propose a nonparametric, doubly-debiased causal inference approach for outcomes as random objects with continuous treatments. Our framework can accommodate moderately high-dimensional vector-valued confounders and derive efficient influence functions for estimation to ensure both robustness and interpretability. We establish rigorous asymptotic properties of the cross-fitted estimators and employ conformal inference techniques for counterfactual outcome prediction. Validated through numerical experiments and applied to real-world environmental data, our framework extends causal inference methodologies to complex data structures, broadening its applicability across scientific disciplines.
• Abstract（参考訳）: 因果推論は統計学と科学的発見の中心であり、研究者は関連性を超えた因果関係を特定できる。 伝統的にユークリッド空間内で研究されてきたが、現代の応用は、画像、形状、ネットワーク、分布などのランダムオブジェクトとして知られる抽象的な距離空間に存在する複雑な非ユークリッドデータ構造をますます含んでいる。 本稿では,非ユークリッドデータに適用した継続的治療による因果推論のための新しい枠組みを提案する。 線形構造の欠如によって引き起こされる課題に対処するために、計量空間のヒルベルト空間埋め込みを活用して、Fr'echet平均推定と因果効果写像を容易にする。 本研究は, 微小粒子状物質への曝露が, アメリカ各郡における死亡年齢分布に与える影響について検討した結果, 非パラメトリック, ダブルデバイアスによる因果推論手法を連続処理によるランダムな対象として提案した。 筆者らのフレームワークは,ベクトル値が適度に高次元の共創者に対応し,ロバスト性と解釈性の両方を確保するための効率的な影響関数を推定するために導出することができる。 我々は、クロスフィット推定器の厳密な漸近特性を確立し、対実結果予測に共形推論手法を用いる。 本フレームワークは,数値実験により検証し,実環境データに適用することにより,複雑なデータ構造への因果推論手法を拡張し,その適用範囲を科学分野に広げる。

関連論文リスト

• Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
  予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。 提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
  論文  参考訳（メタデータ） (2025-06-06T12:43:57Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Kernel-based estimators for functional causal effects [1.6749379740049928]
  実験的なFr'echet平均と演算子評価カーネルに基づく因果効果推定器を提案する。 これらの手法は、処理ミス特異性に対する堅牢性を維持しながら、高次元性、逐次順序付け、モデル複雑性の課題に対処する。
  論文  参考訳（メタデータ） (2025-03-06T22:48:55Z)
• An Overview of Causal Inference using Kernel Embeddings [14.298666697532838]
  カーネル埋め込みは、様々な統計的推論問題における確率測度を表現する強力なツールとして登場した。 主な課題は、因果関係を特定し、観測データから平均的な治療効果を推定することである。
  論文  参考訳（メタデータ） (2024-10-30T07:23:34Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)

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。