論文の概要: Discovering Causal Relationships using Proxy Variables under Unmeasured Confounding

• arxiv url: http://arxiv.org/abs/2510.17167v1
• Date: Mon, 20 Oct 2025 05:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.313782
• Title: Discovering Causal Relationships using Proxy Variables under Unmeasured Confounding
• Title（参考訳）: 不測条件下でのプロキシ変数による因果関係の解明
• Authors: Yong Wu, Yanwei Fu, Shouyan Wang, Yizhou Wang, Xinwei Sun,
• Abstract要約: 観測研究における変数ペア間の因果関係の推測は極めて重要であるが,困難である。 我々は,不測の共同設立者の下で因果仮説をテストするために,離散的かつ連続的な設定を両立する一般的な非パラメトリックアプローチを開発する。 Intensive Care Data and World Values Surveyの広範囲なシミュレーションと実世界データによるアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 42.70985072862832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring causal relationships between variable pairs in the observational study is crucial but challenging, due to the presence of unmeasured confounding. While previous methods employed the negative controls to adjust for the confounding bias, they were either restricted to the discrete setting (i.e., all variables are discrete) or relied on strong assumptions for identification. To address these problems, we develop a general nonparametric approach that accommodates both discrete and continuous settings for testing causal hypothesis under unmeasured confounders. By using only a single negative control outcome (NCO), we establish a new identification result based on a newly proposed integral equation that links the outcome and NCO, requiring only the completeness and mild regularity conditions. We then propose a kernel-based testing procedure that is more efficient than existing moment-restriction methods. We derive the asymptotic level and power properties for our tests. Furthermore, we examine cases where our procedure using only NCO fails to achieve identification, and introduce a new procedure that incorporates a negative control exposure (NCE) to restore identifiability. We demonstrate the effectiveness of our approach through extensive simulations and real-world data from the Intensive Care Data and World Values Survey.
• Abstract（参考訳）: 観測研究における変数対間の因果関係の推測は重要であるが, 未測定の共起の存在のため困難である。 従来の手法では、矛盾するバイアスを調整するために負の制御を使用していたが、それらは離散的な設定(すなわち、すべての変数は離散的である)に制限されたり、識別のための強い仮定に依存していた。 これらの問題に対処するために、未測定の共同設立者の下で因果仮説をテストするための離散的および連続的な設定を両立する一般的な非パラメトリックアプローチを開発する。 単一負制御結果(NCO)のみを用いることで、結果とNCOを結びつける新たな積分方程式に基づいて、完全性と軽度規則性条件のみを必要とする新しい同定結果を確立する。 次に、既存のモーメント制限法よりも効率的なカーネルベースのテスト手順を提案する。 テストの漸近レベルとパワー特性を導出する。 さらに,NCOのみを用いた術式が識別に失敗する症例について検討し,否定的コントロール露光(NCE)を取り入れた新たな術式を導入し,識別可能性の回復を図る。 Intensive Care Data and World Values Surveyの広範囲なシミュレーションと実世界データによるアプローチの有効性を実証する。

関連論文リスト

• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
  予測型因果推論(PPCI)に焦点をあてる PPCIは、未ラベルの事実結果を用いた対象実験における治療効果を推定し、事前訓練されたモデルからゼロショットを取得する。 バニラ実験的リスク最小化によって解決不可能なインスタンスに対するソリューションを提供するため,本手法を合成および実世界の科学的データに対して検証する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Federated Nonparametric Hypothesis Testing with Differential Privacy Constraints: Optimal Rates and Adaptive Tests [5.3595271893779906]
  フェデレート学習は、さまざまな場所でデータが収集され分析される広範囲な設定で適用可能であることから、近年大きな注目を集めている。 分散差分プライバシー(DP)制約下でのホワイトノイズ・ウィズ・ドリフトモデルにおける非パラメトリック適合性試験について検討した。
  論文  参考訳（メタデータ） (2024-06-10T19:25:19Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Causal Discovery via Conditional Independence Testing with Proxy Variables [35.3493980628004]
  潜伏した共同設立者のような未観測変数の存在は、条件付き独立テストにバイアスをもたらす可能性がある。 本研究では,連続変数に対する因果関係の存在を効果的に検証できる仮説テスト手法を提案する。
  論文  参考訳（メタデータ） (2023-05-09T09:08:39Z)
• Sequential Kernelized Independence Testing [77.237958592189]
  我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。 シミュレーションデータと実データの両方にアプローチのパワーを実証する。
  論文  参考訳（メタデータ） (2022-12-14T18:08:42Z)
• FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders [46.31784571870808]
  いくつかの穏やかな仮定の下では、モデルがハイブリッドメソッドによって一意に識別されることを示す。 本手法は,制約ベース手法と独立ノイズベース手法の利点を生かして,共起状況と未解決状況の両方を扱う。
  論文  参考訳（メタデータ） (2021-03-26T03:12:14Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。