論文の概要: xtdml: Double Machine Learning Estimation to Static Panel Data Models with Fixed Effects in R

• arxiv url: http://arxiv.org/abs/2512.15965v1
• Date: Wed, 17 Dec 2025 20:48:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.822226
• Title: xtdml: Double Machine Learning Estimation to Static Panel Data Models with Fixed Effects in R
• Title（参考訳）: xtdml: Rにおける固定効果を有する静的パネルデータモデルの二重機械学習推定
• Authors: Annalivia Polselli,
• Abstract要約: 本稿では,部分線形パネル回帰モデルのためのDML法を実装したRパッケージxtdmlを提案する。 a) mlr3エコシステムから機械学習アルゴリズムでニュアンス関数を学習する。 シミュレーションデータと実時間データの両方を用いた xtdml の使用について紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The double machine learning (DML) method combines the predictive power of machine learning with statistical estimation to conduct inference about the structural parameter of interest. This paper presents the R package `xtdml`, which implements DML methods for partially linear panel regression models with low-dimensional fixed effects, high-dimensional confounding variables, proposed by Clarke and Polselli (2025). The package provides functionalities to: (a) learn nuisance functions with machine learning algorithms from the `mlr3` ecosystem, (b) handle unobserved individual heterogeneity choosing among first-difference transformation, within-group transformation, and correlated random effects, (c) transform the covariates with min-max normalization and polynomial expansion to improve learning performance. We showcase the use of `xtdml` with both simulated and real longitudinal data.
• Abstract（参考訳）: ダブル機械学習(DML)法は、機械学習の予測力と統計的推定を組み合わせ、関心の構造パラメータに関する推論を行う。 本稿では、低次元の固定効果、高次元の共役変数を持つ部分線形パネル回帰モデルに対するDML法を実装したRパッケージ「xtdml」について、Clarke and Polselli (2025) により提案した。 このパッケージは以下の機能を提供します。 a) `mlr3`エコシステムから機械学習アルゴリズムでニュアンス関数を学ぶ。 (b) 1次微分変換、内部群変換、相関ランダム効果の中から選択した観測されていない個々の不均一性を扱う。 (c)共変分をmin-max正規化と多項式展開で変換して学習性能を向上させる。 シミュレーションデータと実時間データの両方を用いた `xtdml" の使用について紹介する。

関連論文リスト

• LOCAL: Learning with Orientation Matrix to Infer Causal Structure from Time Series Data [51.47827479376251]
  LOCALは動的因果構造を復元するための効率的で実装が容易で制約のない手法である。 Asymptotic Causal Learning Mask (ACML) と Dynamic Graph Learning (DGPL) 合成および実世界のデータセットの実験では、LOCALが既存の手法よりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T10:48:41Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Double Machine Learning for Static Panel Models with Fixed Effects [0.0]
  パネルデータのための新しい機械学習手法を開発した。 新しい手順は、よく知られた相関ランダム効果、グループ内およびファーストディファレンス推定器の拡張である。 弊社の手続きは、英国における投票行動に対する最低賃金の影響を再見積するものである。
  論文  参考訳（メタデータ） (2023-12-13T14:34:12Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Double Machine Learning for Partially Linear Mixed-Effects Models with Repeated Measurements [0.0]
  機械学習アルゴリズムを用いて、より複雑な相互作用構造と高次元変数を組み込む。 調整された変数は線形混合効果モデルを満たすが、線形係数は標準線形混合効果法で推定できる。
  論文  参考訳（メタデータ） (2021-08-31T07:41:36Z)
• DoubleML -- An Object-Oriented Implementation of Double Machine Learning in R [4.830430752756141]
  RパッケージのDoubleMLは、ダブル/デバイアスの機械学習フレームワークを実装している。 機械学習手法に基づいた因果モデルでパラメータを推定する機能を提供する。
  論文  参考訳（メタデータ） (2021-03-17T12:42:41Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Generalized Matrix Factorization: efficient algorithms for fitting generalized linear latent variable models to large data arrays [62.997667081978825]
  一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。 GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。 本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:28:19Z)

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。