論文の概要: Inferring Effects of Major Events through Discontinuity Forecasting of Population Anxiety

• arxiv url: http://arxiv.org/abs/2508.21722v1
• Date: Fri, 29 Aug 2025 15:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.099866
• Title: Inferring Effects of Major Events through Discontinuity Forecasting of Population Anxiety
• Title（参考訳）: 人口不安の不連続予測による主要事象の予測
• Authors: Siddharth Mangalik, Ojas Deshpande, Adithya V. Ganesan, Sean A. P. Clouston, H. Andrew Schwartz,
• Abstract要約: 地域イベントの地域特有のメンタルヘルス効果を推定することは公衆衛生政策にとって不可欠である。 本稿では,LRDD(Longitudinal Regression Discontinuity Design)を統計的学習フレームワークに適用することを提案する。 新型コロナウイルス(COVID-19)による米郡の不安に対する不連続性を予測する枠組みを適用すれば、作業は困難だが、より達成可能であることが分かりました。
• 参考スコア（独自算出の注目度）: 7.859989730214791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating community-specific mental health effects of local events is vital for public health policy. While forecasting mental health scores alone offers limited insights into the impact of events on community well-being, quasi-experimental designs like the Longitudinal Regression Discontinuity Design (LRDD) from econometrics help researchers derive more effects that are more likely to be causal from observational data. LRDDs aim to extrapolate the size of changes in an outcome (e.g. a discontinuity in running scores for anxiety) due to a time-specific event. Here, we propose adapting LRDDs beyond traditional forecasting into a statistical learning framework whereby future discontinuities (i.e. time-specific shifts) and changes in slope (i.e. linear trajectories) are estimated given a location's history of the score, dynamic covariates (other running assessments), and exogenous variables (static representations). Applying our framework to predict discontinuities in the anxiety of US counties from COVID-19 events, we found the task was difficult but more achievable as the sophistication of models was increased, with the best results coming from integrating exogenous and dynamic covariates. Our approach shows strong improvement ($r=+.46$ for discontinuity and $r = +.65$ for slope) over traditional static community representations. Discontinuity forecasting raises new possibilities for estimating the idiosyncratic effects of potential future or hypothetical events on specific communities.
• Abstract（参考訳）: 地域イベントの地域特有のメンタルヘルス効果を推定することは公衆衛生政策にとって不可欠である。 メンタルヘルススコアの予測だけでは、出来事がコミュニティの健康に与える影響についての限られた洞察を提供する一方で、計量学の縦断的回帰不連続性設計(LRDD)のような準実験的なデザインは、観測データから因果関係のあるより多くの効果を導き出すのに役立つ。 LRDDは、時間固有の事象による結果の変化(例えば、不安のためのスコアの実行の不連続性)を外挿することを目的としている。 本稿では,従来の予測以上のLRDDを,将来の不連続性(時間固有のシフト)と勾配の変化(線形軌跡)を推定する統計学習フレームワークに適用することを提案する。 新型コロナウイルス(COVID-19)による米郡の不安に対する不連続性を予測する枠組みを適用したところ、モデルの高度化が進むにつれて、課題は困難だが達成可能であることが分かり、外因性および動的共変体の統合による最良の結果が得られた。 従来の静的なコミュニティ表現よりも強い改善(不連続の場合はr=+.46$、傾斜の場合はr=+.65$)を示す。 不連続予測は、潜在的な未来や仮説的な出来事が特定のコミュニティに与える影響を推定する新たな可能性をもたらす。

関連論文リスト

• CausalMob: Causal Human Mobility Prediction with LLMs-derived Human Intentions toward Public Events [13.839692239149889]
  公共イベントの因果効果を分析するために,因果予測モデルCausalMobを提案する。 大規模な実世界のデータに基づいて、実験結果から、CausalMobモデルが人間の移動予測に優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-03T04:29:27Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Performative Time-Series Forecasting [64.03865043422597]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Designing Discontinuities [16.21261390317796]
  不連続性はかなり任意であるが、より大きなシステムの結果に重大な影響を及ぼす可能性がある。 本稿では,ある不連続変数の因果効果の大きさを学習し,興味の効果を最適化するための量子化理論的手法を提案する。 また、最適量子化の動的プログラム定式化のための計算効率の良い強化学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-05-15T11:41:30Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。