論文の概要: Beyond the Average: Distributional Causal Inference under Imperfect Compliance

• arxiv url: http://arxiv.org/abs/2509.15594v1
• Date: Fri, 19 Sep 2025 04:53:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.003791
• Title: Beyond the Average: Distributional Causal Inference under Imperfect Compliance
• Title（参考訳）: 平均を超える:不完全コンプライアンス下における分布因果推論
• Authors: Undral Byambadalai, Tomu Hirata, Tatsushi Oka, Shota Yasui,
• Abstract要約: 不完全なコンプライアンスを伴うランダム化実験における分布的処理効果の推定について検討した。 我々は,Neyman-orthogonal モーメント条件を持つ分布回帰フレームワークに基づく回帰調整型推定器を提案する。 オレゴン健康保険実験への適用事例として,本手法の実践的妥当性を示す。
• 参考スコア（独自算出の注目度）: 8.76134221825298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the estimation of distributional treatment effects in randomized experiments with imperfect compliance. When participants do not adhere to their assigned treatments, we leverage treatment assignment as an instrumental variable to identify the local distributional treatment effect-the difference in outcome distributions between treatment and control groups for the subpopulation of compliers. We propose a regression-adjusted estimator based on a distribution regression framework with Neyman-orthogonal moment conditions, enabling robustness and flexibility with high-dimensional covariates. Our approach accommodates continuous, discrete, and mixed discrete-continuous outcomes, and applies under a broad class of covariate-adaptive randomization schemes, including stratified block designs and simple random sampling. We derive the estimator's asymptotic distribution and show that it achieves the semiparametric efficiency bound. Simulation results demonstrate favorable finite-sample performance, and we demonstrate the method's practical relevance in an application to the Oregon Health Insurance Experiment.
• Abstract（参考訳）: 不完全なコンプライアンスを伴うランダム化実験における分布的処理効果の推定について検討した。 対象者が割り当てられた治療に従わない場合,治療課題を機器変数として活用して局所分布処理効果を同定する。 本研究では,Neyman-orthogonal モーメント条件を用いた分布回帰フレームワークに基づく回帰調整型推定器を提案する。 提案手法は連続的,離散的,混合的な離散連続的な結果に対応し,階層化されたブロック設計や単純なランダムサンプリングを含む多種多様な共変量適応型ランダム化スキームに適用する。 推定器の漸近分布を導出し、半パラメトリック効率境界を達成することを示す。 シミュレーションの結果は, 良好な有限サンプル性能を示し, オレゴン健康保険実験への適用における本手法の実践的妥当性を実証した。

関連論文リスト

• On Efficient Estimation of Distributional Treatment Effects under Covariate-Adaptive Randomization [6.324765782436764]
  既製の機械学習手法を利用したフレキシブルな分散回帰フレームワークを提案する。 提案する推定器の分布を確立し,有効な推論手順を導入する。
  論文  参考訳（メタデータ） (2025-06-06T10:14:38Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
  本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。 提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T09:40:19Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Counterfactual Generative Models for Time-Varying Treatments [15.208067770012283]
  公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。 そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。 合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
  論文  参考訳（メタデータ） (2023-05-25T05:45:53Z)
• Generalized Kernel Ridge Regression for Causal Inference with Missing-at-Random Sample Selection [3.398662563413433]
  非パラメトリック線量応答曲線と半パラメトリック処理効果に対するカーネルリッジ回帰推定器を提案する。 離散処理の場合,ルートnの整合性,ガウス近似,半パラメトリック効率を証明した。
  論文  参考訳（メタデータ） (2021-11-09T17:10:49Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。