論文の概要: Rescuing double robustness: safe estimation under complete misspecification

• arxiv url: http://arxiv.org/abs/2509.22446v1
• Date: Fri, 26 Sep 2025 15:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.52666
• Title: Rescuing double robustness: safe estimation under complete misspecification
• Title（参考訳）: 二重ロバスト性を救う--完全不特定条件下での安全な推定
• Authors: Lorenzo Testa, Francesca Chiaromonte, Kathryn Roeder,
• Abstract要約: 二つの頑健な推定器は、すべてのニュアンス関数が誤って特定されると脆弱に振る舞う可能性がある。 適応補正クリッピング(ACC)に基づく解を提案する。
• 参考スコア（独自算出の注目度）: 0.7646713951724009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Double robustness is a major selling point of semiparametric and missing data methodology. Its virtues lie in protection against partial nuisance misspecification and asymptotic semiparametric efficiency under correct nuisance specification. However, in many applications, complete nuisance misspecification should be regarded as the norm (or at the very least the expected default), and thus doubly robust estimators may behave fragilely. In fact, it has been amply verified empirically that these estimators can perform poorly when all nuisance functions are misspecified. Here, we first characterize this phenomenon of double fragility, and then propose a solution based on adaptive correction clipping (ACC). We argue that our ACC proposal is safe, in that it inherits the favorable properties of doubly robust estimators under correct nuisance specification, but its error is guaranteed to be bounded by a convex combination of the individual nuisance model errors, which prevents the instability caused by the compounding product of errors of doubly robust estimators. We also show that our proposal provides valid inference through the parametric bootstrap when nuisances are well-specified. We showcase the efficacy of our ACC estimator both through extensive simulations and by applying it to the analysis of Alzheimer's disease proteomics data.
• Abstract（参考訳）: 二重ロバスト性は、半パラメトリックで欠落したデータ方法論の主要なセールスポイントである。 その美徳は、部分的なニュアンスの不特定と、正しいニュアンス仕様の下での漸近的な半パラメトリック効率に対する保護にある。 しかし、多くの応用において、完全なニュアンス不特定性はノルム(あるいは少なくとも期待されているデフォルト値)と見なされるべきであり、したがって2つの頑健な推定子は脆弱に振る舞う。 実際、これらの推定器はすべてのニュアンス関数が誤って特定された場合、性能が良くないことを実証的に検証している。 本稿では、まずこの二重脆弱性の現象を特徴付け、適応補正クリッピング(ACC)に基づく解を提案する。 我々のACC提案は、正則なニュアンス仕様の下では二重頑健な推定器の好ましい特性を継承するが、その誤差は個々のニュアンスモデル誤差の凸結合によって束縛されることが保証され、二重頑健な推定器の誤差の混合積に起因する不安定性を防止する。 また,本提案では,ニュアンセが適切に特定された場合に,パラメトリックブートストラップを通じて適切な推論を行うことを示す。 広範囲なシミュレーションとアルツハイマー病のプロテオミクスデータの解析に応用することにより,ACC推定器の有効性を実証する。

関連論文リスト

• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
  不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。 本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-01T09:13:27Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• A General Framework for Treatment Effect Estimation in Semi-Supervised and High Dimensional Settings [0.0]
  我々は, より堅牢で, (2) 教師付きよりも効率的であるSS推定器群を開発した。 さらに、モデル内の正当性スコアが正しく指定されたときに、SS推定器のルート-n整合性と正規性を確立する。 我々の推定器は、すべてのニュアンス関数が正しく指定されている限り、半パラメトリックに効率的であることが示される。
  論文  参考訳（メタデータ） (2022-01-03T04:12:44Z)
• Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding [62.40420028973522]
  本研究では, 観測不能な凹凸の存在下での平均処理効果について, 境界を構築することの問題点について検討する。 本稿では,この境界線を2倍・2倍・2倍・2倍・2倍・2倍・3倍)推定器と呼ぶ新しい推定器を提案する。
  論文  参考訳（メタデータ） (2021-12-21T18:55:12Z)
• Orthogonal Statistical Learning [49.55515683387805]
  人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。 人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
  論文  参考訳（メタデータ） (2019-01-25T02:21:24Z)

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。