論文の概要: Coarsening Bias from Variable Discretization in Causal Functionals

• arxiv url: http://arxiv.org/abs/2602.22083v1
• Date: Wed, 25 Feb 2026 16:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.908056
• Title: Coarsening Bias from Variable Discretization in Causal Functionals
• Title（参考訳）: 因果関数における可変離散化からの粗大化バイアス
• Authors: Xiaxian Ou, Razieh Nabi,
• Abstract要約: 因果効果関数のクラスは連続変数の条件付き密度に対する積分を必要とする。 離散化は人口レベルの機能を変化させ、無視できない近似バイアスを引き起こす。 そこで本研究では,インバービン条件付き手法で結果の回帰を評価する簡易なバイアス低減関数を提案する。
• 参考スコア（独自算出の注目度）: 0.8880611506199766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A class of causal effect functionals requires integration over conditional densities of continuous variables, as in mediation effects and nonparametric identification in causal graphical models. Estimating such densities and evaluating the resulting integrals can be statistically and computationally demanding. A common workaround is to discretize the variable and replace integrals with finite sums. Although convenient, discretization alters the population-level functional and can induce non-negligible approximation bias, even under correct identification. Under smoothness conditions, we show that this coarsening bias is first order in the bin width and arises at the level of the target functional, distinct from statistical estimation error. We propose a simple bias-reduced functional that evaluates the outcome regression at within-bin conditional means, eliminating the leading term and yielding a second-order approximation error. We derive plug-in and one-step estimators for the bias-reduced functional. Simulations demonstrate substantial bias reduction and near-nominal confidence interval coverage, even under coarse binning. Our results provide a simple framework for controlling the impact of variable discretization on parameter approximation and estimation.
• Abstract（参考訳）: 因果効果関数のクラスは、因果グラフモデルにおける媒介効果や非パラメトリック同定のように、連続変数の条件密度よりも積分を必要とする。 このような密度を推定し、結果の積分を評価することは統計的に、計算的に要求される。 一般的な回避策は、変数を離散化し、積分を有限和に置き換えることである。 有用ではあるが、離散化は人口レベルの機能を変化させ、正確な識別の下でも無視できない近似バイアスを誘発する。 滑らかな条件下では、この粗いバイアスはビン幅において第一次であり、統計的推定誤差とは異なる目的関数のレベルで発生することを示す。 そこで本研究では,2次近似誤差を発生させるため,インバービン条件下での結果の回帰を簡易に評価し,先行項を除去する手法を提案する。 バイアス低減機能に対するプラグインとワンステップ推定器を導出する。 シミュレーションでは、粗い双晶下であっても、かなりのバイアス低減とほぼ最小の信頼区間の範囲が示される。 本結果は,パラメータ近似と推定に対する可変離散化の影響を制御するための簡単なフレームワークを提供する。

関連論文リスト

• Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
  低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。 提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
  論文  参考訳（メタデータ） (2025-07-23T11:58:54Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Kernel-based off-policy estimation without overlap: Instance optimality beyond semiparametric efficiency [53.90687548731265]
  本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。 任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
  論文  参考訳（メタデータ） (2023-01-16T02:57:37Z)
• Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
  本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。 これらの結果はサンプル状態と有限状態の両方で定式化する。
  論文  参考訳（メタデータ） (2022-10-03T06:09:01Z)
• Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
  統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。 本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
  論文  参考訳（メタデータ） (2022-08-29T16:16:22Z)
• Long Story Short: Omitted Variable Bias in Causal Machine Learning [26.60315380737132]
  我々は、幅広い共通因果パラメータに対する省略変数バイアスの理論を開発する。 省略変数の最大説明力に対する簡易な妥当性判定は,バイアスの大きさを限定するのに十分であることを示す。 本研究では,現代の機械学習アルゴリズムを応用して推定を行う,フレキシブルで効率的な統計的推論手法を提案する。
  論文  参考訳（メタデータ） (2021-12-26T15:38:23Z)
• Estimation of Accurate and Calibrated Uncertainties in Deterministic models [0.8702432681310401]
  我々は,決定論的予測を確率論的予測に変換する手法を考案した。 そのためには,そのようなモデルの精度と信頼性(校正)を損なう必要がある。 隠れたノイズを正確に回収できる合成データと、大規模な実世界のデータセットの両方について、いくつかの例を示す。
  論文  参考訳（メタデータ） (2020-03-11T04:02:56Z)

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。