論文の概要: Direct Bias-Correction Term Estimation for Propensity Scores and Average Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2509.22122v1
• Date: Fri, 26 Sep 2025 09:45:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.343412
• Title: Direct Bias-Correction Term Estimation for Propensity Scores and Average Treatment Effect Estimation
• Title（参考訳）: 比重スコアの直接バイアス補正項推定と平均処理効果推定
• Authors: Masahiro Kato,
• Abstract要約: 本研究は平均治療効果(ATE)の推定について考察する。 我々は、直接バイアス補正項推定により、確率スコアを推定する。 本稿では,この直接バイアス補正項推定手法の一般的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 6.44705221140412
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study considers the estimation of the average treatment effect (ATE). For ATE estimation, we estimate the propensity score through direct bias-correction term estimation. Let $\{(X_i, D_i, Y_i)\}_{i=1}^{n}$ be the observations, where $X_i \in \mathbb{R}^p$ denotes $p$-dimensional covariates, $D_i \in \{0, 1\}$ denotes a binary treatment assignment indicator, and $Y_i \in \mathbb{R}$ is an outcome. In ATE estimation, the bias-correction term $h_0(X_i, D_i) = \frac{1[D_i = 1]}{e_0(X_i)} - \frac{1[D_i = 0]}{1 - e_0(X_i)}$ plays an important role, where $e_0(X_i)$ is the propensity score, the probability of being assigned treatment $1$. In this study, we propose estimating $h_0$ (or equivalently the propensity score $e_0$) by directly minimizing the prediction error of $h_0$. Since the bias-correction term $h_0$ is essential for ATE estimation, this direct approach is expected to improve estimation accuracy for the ATE. For example, existing studies often employ maximum likelihood or covariate balancing to estimate $e_0$, but these approaches may not be optimal for accurately estimating $h_0$ or the ATE. We present a general framework for this direct bias-correction term estimation approach from the perspective of Bregman divergence minimization and conduct simulation studies to evaluate the effectiveness of the proposed method.
• Abstract（参考訳）: 本研究は平均治療効果(ATE)の推定について考察する。 ATE推定では、直接バイアス補正項推定により確率スコアを推定する。 ここで、$X_i \in \mathbb{R}^p$は$p$-次元共変数、$D_i \in \{0, 1\}$はバイナリ処理代入指標、$Y_i \in \mathbb{R}$は結果である。 ATE推定では、バイアス補正項 $h_0(X_i, D_i) = \frac{1[D_i = 1]}{e_0(X_i)} - \frac{1[D_i = 0]}{1 - e_0(X_i)}$ が重要な役割を果たす。 本研究では,h_0$の予測誤差を直接最小化することにより,h_0$(あるいは同等の確率スコア$e_0$)を推定する。 ATE推定には、バイアス補正項$h_0$が不可欠であるため、この直接的なアプローチにより、ATEの推定精度が向上することが期待される。 例えば、既存の研究では、$e_0$を推定するために最大可能性または共変量バランスを用いることが多いが、これらのアプローチは、$h_0$またはATEを正確に推定するのに最適ではないかもしれない。 本稿では,ブレグマン偏差最小化の観点から,この直接バイアス補正項推定手法の一般的な枠組みを提案し,提案手法の有効性を評価する。

関連論文リスト

• Convex Regression with a Penalty [0.0]
  未知凸回帰関数 $f_0: Omega subset mathbbRd rightarrow mathbbR$ を$n$のノイズ観測の集合から推定する一般的な方法は、二乗誤差の和を最小化する凸関数に収まることである。 本稿では,2乗誤差の和に対して上界$s_n$を強制しながら,下位値のペナルティを最小化することにより,このオーバーフィッティングを回避するために,$f_0$の新たな推定器を導入する。
  論文  参考訳（メタデータ） (2025-09-24T06:19:21Z)
• Log-Sum-Exponential Estimator for Off-Policy Evaluation and Learning [50.93804891554481]
  従来の逆確率スコア推定よりも優れた対数推定演算子(log-sum-exponential (LSE)演算子)に基づく新しい推定器を提案する。 我々のLSE推定器は, 重み付き条件下での分散低減とロバスト性を示す。 政治以外の学習シナリオでは、LSE推定器と最適ポリシーの間のパフォーマンスギャップである後悔の限界を確立します。
  論文  参考訳（メタデータ） (2025-06-07T17:37:10Z)
• Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding [52.1068936424622]
  治療が介入によって設定された場合、対象変数$Y$に対して、予測因果効果$E[Y|do(X)]$を推定する問題を考える。 選択バイアスや欠点のない設定では、$E[Y|do(X)] = E[Y|X]$ となる。 選択バイアスとコンバウンディングの両方を組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-26T13:43:37Z)
• Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier: Autoregressive and Imitation Learning under Misspecification [50.717692060500696]
  対数損失を伴う次のトーケン予測は自己回帰シーケンスモデリングの基盤となる。 次トーケン予測は、適度な誤差増幅を表す$C=tilde O(H)$を達成するために堅牢にすることができる。 C=e(log H)1-Omega(1)$。
  論文  参考訳（メタデータ） (2025-02-18T02:52:00Z)
• Counterfactual Uncertainty Quantification of Factual Estimand of Efficacy from Before-and-After Treatment Repeated Measures Randomized Controlled Trials [1.3461364647443341]
  本稿は, テクスティカル・テリマンドで実現可能な不確実性低減を定量化し, デジタル・ツインズを用いた場合の潜在的なバイアスに注意する。
  論文  参考訳（メタデータ） (2024-11-14T18:01:02Z)
• Unbiased least squares regression via averaged stochastic gradient descent [0.0]
  最適解 $theta*$ および Hessian matrix H を用いたオンライン最小二乗回帰問題を考える。 kge2$の場合、時間平均推定器の修正である$theta*$の偏りのない推定器を提供する。
  論文  参考訳（メタデータ） (2024-06-26T11:39:22Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• The out-of-sample $R^2$: estimation and inference [0.0]
  2つの予測モデルの比較として、アウト・オブ・サンプルの$R2$を定義する。 我々は、$hatR2$の標準誤差を提供するために、データ分割推定の不確実性に関する最近の理論的進歩を利用する。
  論文  参考訳（メタデータ） (2023-02-10T09:29:57Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)
• Debiasing Distributed Second Order Optimization with Surrogate Sketching and Scaled Regularization [101.5159744660701]
  分散第2次最適化において、標準的な戦略は、データの小さなスケッチやバッチに基づいて、多くの局所的な見積もりを平均化することである。 本稿では,分散二階法における収束率の理論的および実証的改善を両立させるため,局所的な推定を嫌悪する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-02T18:08:14Z)

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。