論文の概要: Efficiently Learning Synthetic Control Models for High-dimensional Disaggregated Data

• arxiv url: http://arxiv.org/abs/2510.22828v1
• Date: Sun, 26 Oct 2025 20:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.56517
• Title: Efficiently Learning Synthetic Control Models for High-dimensional Disaggregated Data
• Title（参考訳）: 高次元分散データのための効率的な合成制御モデル学習
• Authors: Ye Shen, Rui Song, Alberto Abadie,
• Abstract要約: 合成制御法は因果効果を推定するための貴重なツールとなっている。 最近、複数の処理単位を持つ高次元非凝集状態における応用を見出した。 本稿では,多変数平方根ラッソ法を合成制御フレームワークに統合する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 6.075160426378313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Synthetic Control method (SC) has become a valuable tool for estimating causal effects. Originally designed for single-treated unit scenarios, it has recently found applications in high-dimensional disaggregated settings with multiple treated units. However, challenges in practical implementation and computational efficiency arise in such scenarios. To tackle these challenges, we propose a novel approach that integrates the Multivariate Square-root Lasso method into the synthetic control framework. We rigorously establish the estimation error bounds for fitting the Synthetic Control weights using Multivariate Square-root Lasso, accommodating high-dimensionality and time series dependencies. Additionally, we quantify the estimation error for the Average Treatment Effect on the Treated (ATT). Through simulation studies, we demonstrate that our method offers superior computational efficiency without compromising estimation accuracy. We apply our method to assess the causal impact of COVID-19 Stay-at-Home Orders on the monthly unemployment rate in the United States at the county level.
• Abstract（参考訳）: 合成制御法(SC)は因果効果を推定するための貴重なツールとなっている。 もともとは単一処理単位のシナリオ用に設計されたが、最近、複数の処理単位を持つ高次元の非凝集状態における応用が見つかった。 しかし、そのようなシナリオでは、実践的な実装と計算効率の課題が生じる。 これらの課題に対処するために,多変量平方根ラッソ法を合成制御フレームワークに統合する新しい手法を提案する。 我々は,多変数平方根ラッソを用いた合成制御重み付けのための推定誤差境界を厳格に確立し,高次元性および時系列依存性を調節する。 さらに, 平均処理効果(ATT)の推定誤差を定量化する。 シミュレーション研究を通じて,提案手法は推定精度を損なうことなく,計算効率が向上することを示した。 本手法は、米国における毎月の失業率に対する、COVID-19スタンバイ・アット・ホーム・オーダーの因果的影響を評価するために応用される。

関連論文リスト

• Scalable Bayesian Physics-Informed Kolmogorov-Arnold Networks [2.7253509290710003]
  Kolmogorov-Arnoldネットワーク(KAN)は、パラメータが少ない代替ソリューションを提供する。 そこで我々は,Chebyshev KansとTikhonovアンサンブルKalmanインバージョン(DTEKI)を併用した新しい手法を提案する。 この勾配のない方法は、オーバーフィッティングを効果的に軽減し、数値安定性を高める。
  論文  参考訳（メタデータ） (2025-01-15T00:38:13Z)
• OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
  sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。 我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
  論文  参考訳（メタデータ） (2024-03-04T18:23:55Z)
• 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)
• Counterfactual Learning with Multioutput Deep Kernels [0.0]
  本稿では,観測データを用いた反実的推論の課題に対処する。 本稿では、因果効果を推定し、適切にポリシーを学習する、対実的マルチタスクディープカーネルモデルの一般的なクラスを示す。
  論文  参考訳（メタデータ） (2022-11-20T23:28:41Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Estimation of Local Average Treatment Effect by Data Combination [3.655021726150368]
  治療課題の遵守が不完全である場合には、局所的平均治療効果(LATE)を推定することが重要である。 以前提案されたLATE推定法では、関連するすべての変数を1つのデータセットで共同で観測することが必要であった。 最小値の定式化を回避し,より簡易なモデル選択を可能とする重み付き最小二乗推定器を提案する。
  論文  参考訳（メタデータ） (2021-09-11T03:51:48Z)
• Constrained Model-based Reinforcement Learning with Robust Cross-Entropy Method [30.407700996710023]
  本稿では,制約違反に対するスパースインジケータ信号を用いた制約/安全強化学習問題について検討する。 本稿では,ニューラルネットワークアンサンブルモデルを用いて予測の不確実性を推定し,モデル予測制御を基本制御フレームワークとして利用する。 その結果,本手法は現状のベースラインよりもはるかに少ない制約違反数でタスクを完了させることが判明した。
  論文  参考訳（メタデータ） (2020-10-15T18:19:35Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。