論文の概要: The Honest Truth About Causal Trees: Accuracy Limits for Heterogeneous Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2509.11381v1
• Date: Sun, 14 Sep 2025 18:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.059962
• Title: The Honest Truth About Causal Trees: Accuracy Limits for Heterogeneous Treatment Effect Estimation
• Title（参考訳）: 因果樹の真理:不均一処理効果推定のための精度限界
• Authors: Matias D. Cattaneo, Jason M. Klusowski, Ruiqi Rae Yu,
• Abstract要約: 因果決定木推定装置は学術・産業ともに標準となっている。 これらの不均一処理効果推定器は, 基本条件下での誤差-in-n$収束率を達成できないことを示す。 結果として、一般的に使用される推定器は、実際には性能が悪く、いくつかの設定では矛盾することもある。
• 参考スコア（独自算出の注目度）: 7.404568009919416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recursive decision trees have emerged as a leading methodology for heterogeneous causal treatment effect estimation and inference in experimental and observational settings. These procedures are fitted using the celebrated CART (Classification And Regression Tree) algorithm [Breiman et al., 1984], or custom variants thereof, and hence are believed to be "adaptive" to high-dimensional data, sparsity, or other specific features of the underlying data generating process. Athey and Imbens [2016] proposed several "honest" causal decision tree estimators, which have become the standard in both academia and industry. We study their estimators, and variants thereof, and establish lower bounds on their estimation error. We demonstrate that these popular heterogeneous treatment effect estimators cannot achieve a polynomial-in-$n$ convergence rate under basic conditions, where $n$ denotes the sample size. Contrary to common belief, honesty does not resolve these limitations and at best delivers negligible logarithmic improvements in sample size or dimension. As a result, these commonly used estimators can exhibit poor performance in practice, and even be inconsistent in some settings. Our theoretical insights are empirically validated through simulations.
• Abstract（参考訳）: 再帰的決定木は, 実験的および観察的条件下での不均一因果治療効果の推定と推定の指導的手法として出現している。 これらの手順は、有名なCARTアルゴリズム(Breiman et al , 1984)またはそのカスタム変種を用いており、従って、基礎となるデータ生成プロセスの高次元データ、疎性、その他の特定の特徴に適応していると考えられている。 AtheyとImbensは2016年にいくつかの「最高の」因果決定木推定器を提案し、学術と産業の両方で標準となっている。 我々は,それらの推定器とその変種について検討し,その推定誤差を低く設定する。 これらの不均一処理効果推定器は, 基本条件下での多項式-in-$n$収束率を達成できないことを示す。 一般的な信念とは対照的に、誠実さはこれらの制限を解決せず、少なくとも標本サイズや寸法において無視可能な対数的改善をもたらす。 結果として、一般的に使用される推定器は、実際には性能が悪く、いくつかの設定では矛盾することもある。 我々の理論的な洞察はシミュレーションによって実証的に検証されている。

関連論文リスト

• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• 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)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• A cautionary tale on fitting decision trees to data from additive models: generalization lower bounds [9.546094657606178]
  本研究では,異なる回帰モデルに対する決定木の一般化性能について検討する。 これにより、アルゴリズムが新しいデータに一般化するために(あるいは作らない)仮定する帰納的バイアスが引き起こされる。 スパース加法モデルに適合する大規模な決定木アルゴリズムに対して、シャープな2乗誤差一般化を低い境界で証明する。
  論文  参考訳（メタデータ） (2021-10-18T21:22:40Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Discovering Heterogeneous Treatment Effects in Regression Discontinuity Designs [0.0]
  本稿では,ファジィ回帰不連続設計における処理効果の不均一性を明らかにするための因果教師付き機械学習アルゴリズムを提案する。 モンテカルロシミュレーションを用いて本手法の性能を検証し,ルーマニアのより良い中等教育に通うことによる異質性の諸源を明らかにする。
  論文  参考訳（メタデータ） (2021-06-22T09:47:28Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• On Low-rank Trace Regression under General Sampling Distribution [9.699586426043885]
  クロスバリデード推定器は一般仮定でほぼ最適誤差境界を満たすことを示す。 また, クロスバリデーション推定器はパラメータ選択理論に着想を得た手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2019-04-18T02:56:00Z)

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。