論文の概要: Estimation of heterogeneous principal effects under principal ignorability

• arxiv url: http://arxiv.org/abs/2603.08963v1
• Date: Mon, 09 Mar 2026 21:52:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:23.844846
• Title: Estimation of heterogeneous principal effects under principal ignorability
• Title（参考訳）: 主無知下における不均一な主効果の推定
• Authors: Rui Zhang, Charles R. Doss, Jared D. Huling,
• Abstract要約: 2次処理と2次中間変数による不均一な主因果効果の推定と推定について検討した。 本研究では,不均一な主因果効果に対する不均一な信頼区間を推定・形成するための枠組みを提案する。
• 参考スコア（独自算出の注目度）: 5.858849874821984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study estimation and inference for heterogeneous principal causal effects with binary treatments and binary intermediate variables. Principal causal effects are subgroup effects within strata defined by potential values of an intermediate variable, including effects among compliers. We propose a framework for estimating and forming pointwise confidence intervals for heterogeneous principal causal effects under the principal ignorability assumption. Several estimators are developed, and their robustness properties are characterized: one estimator is doubly robust, whereas the other two attain intermediate robustness between double and triple robustness; in contrast, principal causal effects can be estimated in a triply robust manner only. We establish large-sample theory under nonparametric smoothness conditions and analyze the bias contributions of each approach, providing insight into performance beyond the smooth setting, including in high-dimensional regimes. Camden Coalition hotspotting randomized trial are used to illustrate the methods by estimating heterogeneous complier effects.
• Abstract（参考訳）: 2次処理と2次中間変数による不均一な主因果効果の推定と推定について検討した。 主な因果効果は、中間変数のポテンシャル値によって定義される層内の部分群効果であり、これには共役者間の効果も含まれる。 そこで本研究では,不均一な主因果効果に対する不均一な信頼区間を推定・形成するための枠組みを提案する。 いくつかの推定器が開発され、1つの推定器は二重に頑健であるのに対し、他の2つの推定器は二重と三重の頑健性の間に中間的な頑健性が得られるのに対し、主因果効果は三重に頑健性しか推定できない。 非パラメトリックな滑らかさ条件下での大サンプル理論を確立し、それぞれのアプローチのバイアス寄与を分析し、高次元のレジームを含む滑らかな設定を超えたパフォーマンスに関する洞察を提供する。 カムデン結合型ホットスポット法によるランダム化試験は、不均一なコンバータ効果を推定することにより、その方法を説明するために用いられる。

関連論文リスト

• RoboView-Bias: Benchmarking Visual Bias in Embodied Agents for Robotic Manipulation [67.38036090822982]
  ロボット操作における視覚バイアスの定量化を目的とした,最初のベンチマークであるRoboView-Biasを提案する。 我々は、個々の視覚的要因とその相互作用によって引き起こされるバイアスの堅牢な測定を可能にする2,127のタスクインスタンスを作成します。 本研究は,視覚バイアスの系統的解析が,安全で信頼性の高い汎用的なエンボディエージェントの開発に必須であることを示す。
  論文  参考訳（メタデータ） (2025-09-26T13:53:25Z)
• Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants [20.751445296400316]
  本稿では,高次累積を用いた線形非ガウス非巡回モデル (lvLiNGAM) における因果効果の同定について検討する。 因果効果が一つのプロキシや機器で識別可能であることを証明し、対応する推定方法を提案する。
  論文  参考訳（メタデータ） (2025-06-05T16:14:35Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Causal Inference from Text: Unveiling Interactions between Variables [20.677407402398405]
  既存の方法は、治療と結果の両方に影響を及ぼす共変量しか説明できない。 このバイアスは、衝突しない共変量について十分に考慮されていないことから生じる。 本研究では,変数間の相互作用を明らかにすることにより,バイアスを軽減することを目的とする。
  論文  参考訳（メタデータ） (2023-11-09T11:29:44Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Identification and multiply robust estimation in causal mediation analysis across principal strata [7.801213477601286]
  治療後イベントの存在下での因果仲裁の評価について検討する。 本研究では,各媒介推定値に対する効率的な影響関数を導出する。
  論文  参考訳（メタデータ） (2023-04-20T00:39:20Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)

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。