論文の概要: Identification and Debiased Learning of Causal Effects with General Instrumental Variables

• arxiv url: http://arxiv.org/abs/2510.20404v1
• Date: Thu, 23 Oct 2025 10:10:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.74381
• Title: Identification and Debiased Learning of Causal Effects with General Instrumental Variables
• Title（参考訳）: 一般機器変数による因果効果の同定と偏り学習
• Authors: Shuyuan Chen, Peng Zhang, Yifan Cui,
• Abstract要約: マルチカテゴリまたは連続的な機器変数を用いた識別と学習のための一般的な非パラメトリックフレームワークを開発する。 偏りのある機械学習を用いて、一貫性のある、効率的で正常な推定器を導出する。 本研究では,シミュレーション研究を取り入れ,職種訓練パートナーシップ法プログラムから得られた実データを分析することで,提案手法を実証する。
• 参考スコア（独自算出の注目度）: 5.00731378650601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instrumental variable methods are fundamental to causal inference when treatment assignment is confounded by unobserved variables. In this article, we develop a general nonparametric framework for identification and learning with multi-categorical or continuous instrumental variables. Specifically, we propose an additive instrumental variable framework to identify mean potential outcomes and the average treatment effect with a weighting function. Leveraging semiparametric theory, we derive efficient influence functions and construct consistent, asymptotically normal estimators via debiased machine learning. Extensions to longitudinal data, dynamic treatment regimes, and multiplicative instrumental variables are further developed. We demonstrate the proposed method by employing simulation studies and analyzing real data from the Job Training Partnership Act program.
• Abstract（参考訳）: 機器変数法は、治療代入が観測されていない変数によって構成される場合、因果推論に基本となる。 本稿では,多カテゴリーあるいは連続的な機器変数を用いた識別・学習のための一般的な非パラメトリックフレームワークを開発する。 具体的には,重み付け関数を用いた平均処理結果と平均処理効果を同定する付加的な機器変数フレームワークを提案する。 半パラメトリック理論を応用して、効率的な影響関数を導出し、縮退した機械学習を用いて、一貫した漸近的に正常な推定器を構築する。 縦断データの拡張,動的処理機構,および乗算器用変数をさらに発展させる。 本研究では,シミュレーション研究を取り入れ,職種訓練パートナーシップ法プログラムから得られた実データを分析することで,提案手法を実証する。

関連論文リスト

• Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
  この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。 本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:04:39Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Information theory for data-driven model reduction in physics and biology [0.0]
  我々は,将来最も予測的な変数として定義される変数を同定する手法を開発する。 高圧縮の極限において、関連する変数は、最も遅く縮退する固有関数によって直接決定される。 この結果から,変数を自動識別する深層学習ツールが確立された。
  論文  参考訳（メタデータ） (2023-12-11T18:39:05Z)
• A Semiparametric Instrumented Difference-in-Differences Approach to Policy Learning [2.1989182578668243]
  本稿では,最適な治療方針を学習するための汎用機器差分差分法(DiD)アプローチを提案する。 具体的には、並列傾向仮定が成立しない場合、二進楽器変数(IV)を用いて識別結果を確立する。 また、ウォルド推定器、新しい逆確率推定器、半効率的で乗算的な頑健な推定器のクラスを構築する。
  論文  参考訳（メタデータ） (2023-10-14T09:38:32Z)
• Identification and multiply robust estimation in causal mediation analysis across principal strata [7.801213477601286]
  治療後イベントの存在下での因果仲裁の評価について検討する。 本研究では,各媒介推定値に対する効率的な影響関数を導出する。
  論文  参考訳（メタデータ） (2023-04-20T00:39:20Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Post Reinforcement Learning Inference [20.521169740409263]
  強化学習アルゴリズムによって収集されたデータを用いて推定と推定を行う。 この分散を安定化させるために適応重みを用いる重み付き一般化モーメント法(GMM)を提案する。 主な用途は、動的処理効果の推定と動的オフポリシー評価である。
  論文  参考訳（メタデータ） (2023-02-17T12:53:15Z)
• Robustness Against Weak or Invalid Instruments: Exploring Nonlinear Treatment Models with Machine Learning [1.3022753212679383]
  観測実験における因果推論について検討する。 本稿では,非線形処理モデルと機械学習を併用した2段階曲率同定法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:19:24Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)

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。