論文の概要: Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data

• arxiv url: http://arxiv.org/abs/2511.00727v1
• Date: Sat, 01 Nov 2025 22:24:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.909971
• Title: Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data
• Title（参考訳）: クロスValidated Causal Inference:実験データと観測データを組み合わせた最新の手法
• Authors: Xuelin Yang, Licong Lin, Susan Athey, Michael I. Jordan, Guido W. Imbens,
• Abstract要約: 我々は、因果推論において実験データと観測データを統合するための新しい手法を開発した。 実験と観測の損失の重み付けを最小化することにより、因果パラメータを含む完全なモデルを得る。 実データおよび合成データを用いた実験により,本手法の有効性と信頼性が示された。
• 参考スコア（独自算出の注目度）: 48.72384067821617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop new methods to integrate experimental and observational data in causal inference. While randomized controlled trials offer strong internal validity, they are often costly and therefore limited in sample size. Observational data, though cheaper and often with larger sample sizes, are prone to biases due to unmeasured confounders. To harness their complementary strengths, we propose a systematic framework that formulates causal estimation as an empirical risk minimization (ERM) problem. A full model containing the causal parameter is obtained by minimizing a weighted combination of experimental and observational losses--capturing the causal parameter's validity and the full model's fit, respectively. The weight is chosen through cross-validation on the causal parameter across experimental folds. Our experiments on real and synthetic data show the efficacy and reliability of our method. We also provide theoretical non-asymptotic error bounds.
• Abstract（参考訳）: 我々は,実験データと観測データを因果推論に組み込む新しい手法を開発した。 ランダム化された制御された試験は、強い内部妥当性を提供するが、しばしばコストがかかり、したがってサンプルサイズが制限される。 観測データは安価で、しばしばサンプルサイズが大きいが、測定されていない共同設立者によってバイアスが発生しやすい。 本研究では, 因果推定を経験的リスク最小化(ERM)問題として定式化する手法を提案する。 因果パラメータを含む完全モデルは、それぞれ因果パラメータの妥当性と完全モデルの適合性を把握し、実験的損失と観察的損失の重み付けを最小化することにより得られる。 重みは、実験的な折りたたみにおける因果パラメータのクロスバリデーションによって選択される。 実データおよび合成データを用いた実験により,本手法の有効性と信頼性が示された。 また、理論的非漸近誤差境界も提供する。

関連論文リスト

• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
  本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。 サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
  論文  参考訳（メタデータ） (2023-09-13T18:53:11Z)
• A Double Machine Learning Approach to Combining Experimental and Observational Data [58.05402364136958]
  実験と観測を組み合わせた二重機械学習手法を提案する。 本フレームワークは, より軽度な仮定の下で, 外部の妥当性と無知性に対するファルシフィケーションテストを提案する。
  論文  参考訳（メタデータ） (2023-07-04T02:53:11Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。