論文の概要: Weighting-Based Identification and Estimation in Graphical Models of Missing Data

• arxiv url: http://arxiv.org/abs/2602.10969v1
• Date: Wed, 11 Feb 2026 16:00:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:02.08745
• Title: Weighting-Based Identification and Estimation in Graphical Models of Missing Data
• Title（参考訳）: 不足データのグラフモデルにおける重みに基づく同定と推定
• Authors: Anna Guo, Razieh Nabi,
• Abstract要約: 欠落したデータのグラフィカルモデルにおいて,完全なデータ分布を同定する構築的アルゴリズムを提案する。 この設定における中心的な課題は、不足度指標に対する一連の介入が選択バイアスを誘導し伝播させることである。 同定アルゴリズムの介入論理を反映した逆確率重み付け手法を開発した。
• 参考スコア（独自算出の注目度）: 0.8880611506199766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a constructive algorithm for identifying complete data distributions in graphical models of missing data. The complete data distribution is unrestricted, while the missingness mechanism is assumed to factorize according to a conditional directed acyclic graph. Our approach follows an interventionist perspective in which missingness indicators are treated as variables that can be intervened on. A central challenge in this setting is that sequences of interventions on missingness indicators may induce and propagate selection bias, so that identification can fail even when a propensity score is invariant to available interventions. To address this challenge, we introduce a tree-based identification algorithm that explicitly tracks the creation and propagation of selection bias and determines whether it can be avoided through admissible intervention strategies. The resulting tree provides both a diagnostic and a constructive characterization of identifiability under a given missingness mechanism. Building on these results, we develop recursive inverse probability weighting procedures that mirror the intervention logic of the identification algorithm, yielding valid estimating equations for both the missingness mechanism and functionals of the complete data distribution. Simulation studies and a real-data application illustrate the practical performance of the proposed methods. An accompanying R package, flexMissing, implements all proposed procedures.
• Abstract（参考訳）: 欠落したデータのグラフィカルモデルにおいて,完全なデータ分布を同定する構築的アルゴリズムを提案する。 完全なデータ分布は制限されないが、欠損機構は条件付き非巡回グラフに従って分解される。 我々のアプローチは、不足度指標を介入可能な変数として扱う、介入主義的な視点に従う。 この設定における中心的な課題は、不足度指標に対する介入のシーケンスが選択バイアスを誘導し、伝播させることであり、それによって、利用可能な介入に対して確率スコアが不変である場合でも、識別が失敗する可能性があることである。 この課題に対処するために、選択バイアスの生成と伝播を明示的に追跡し、許容的介入戦略によって回避できるかどうかを判断する木に基づく識別アルゴリズムを導入する。 得られた木は、所定の欠損機構の下での識別可能性の診断と構築的特徴の両方を提供する。 これらの結果に基づいて、同定アルゴリズムの介入論理を反映した再帰的逆確率重み付け手法を開発し、完全データ分布の欠落機構と機能の両方に対して有効な推定方程式を導出する。 シミュレーション研究と実データ応用は,提案手法の実用性を示すものである。 付随するRパッケージであるflexMissingは、提案された手順をすべて実装している。

関連論文リスト

• Score-based Causal Representation Learning: Linear and General Transformations [31.786444957887472]
  本稿は、識別可能性と達成可能性の両方に対処する。 スコアに基づくアルゴリズムのクラスを設計し、識別性と達成性の両方を保証する。 結果は、構造化された合成データと画像データに関する実験によって検証される。
  論文  参考訳（メタデータ） (2024-02-01T18:40:03Z)
• General Identifiability and Achievability for Causal Representation Learning [33.80247458590611]
  本稿では,潜伏因果グラフにおけるノード毎の2つのハードアンカップリング介入を用いて,識別可能性と達成性を評価する。 同定可能性について,未結合の介入の下で潜伏因果モデルと変数の完全回復が保証されることを示す。 さらに、この分析は、2つのハードカップリングされた介入に対して、同一ノードが介在する2つの環境に関するメタデータが知られている場合に、識別可能性の結果を回復する。
  論文  参考訳（メタデータ） (2023-10-24T01:47:44Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
  欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。 MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。 我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2021-11-04T22:38:18Z)

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。