論文の概要: Do covariates explain why these groups differ? The choice of reference group can reverse conclusions in the Oaxaca-Blinder decomposition

• arxiv url: http://arxiv.org/abs/2603.29972v1
• Date: Tue, 31 Mar 2026 16:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.864183
• Title: Do covariates explain why these groups differ? The choice of reference group can reverse conclusions in the Oaxaca-Blinder decomposition
• Title（参考訳）: 共変量体は、これらの群が異なる理由を説明しますか? 参照群の選択は、Oaxaca-Blinder分解における結論を逆転させることができる。
• Authors: Manuel Quintero, Advik Shreekumar, William T. Stephenson, Tamara Broderick,
• Abstract要約: 我々は、パラメータ空間の最大半分で、実質的に異なる結論が生じることを証明した。 本稿では、この経験的希少性について、OBDの下での結論が変化しないパラメータに対して、現実的なデータ生成プロセスがどのように偏りがあるかを検証することによって説明する。
• 参考スコア（独自算出の注目度）: 6.677347065334182
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Scientists often want to explain why an outcome is different in two groups. For instance, differences in patient mortality rates across two hospitals could be due to differences in the patients themselves (covariates) or differences in medical care (outcomes given covariates). The Oaxaca--Blinder decomposition (OBD) is a standard tool to tease apart these factors. It is well known that the OBD requires choosing one of the groups as a reference, and the numerical answer can vary with the reference. To the best of our knowledge, there has not been a systematic investigation into whether the choice of OBD reference can yield different substantive conclusions and how common this issue is. In the present paper, we give existence proofs in real and simulated data that the OBD references can yield substantively different conclusions and that these differences are not entirely driven by model misspecification or small data. We prove that substantively different conclusions occur in up to half of the parameter space, but find these discrepancies rare in the real-data analyses we study. We explain this empirical rarity by examining how realistic data-generating processes can be biased towards parameters that do not change conclusions under the OBD.
• Abstract（参考訳）: 科学者は2つのグループで結果が異なる理由を説明したいことが多い。 例えば、2つの病院で患者死亡率の違いは、患者自身(共変者)の違いや、医療(共変者)の違いによる可能性がある。 Oaxaca-Blinder分解(OBD)はこれらの因子を分解する標準的なツールである。 OBDが参照としてグループを選択する必要があることはよく知られており、数値的な答えは参照によって異なる。 我々の知る限りでは、OBD参照の選択が異なる実体的な結論を導き出すことができるかどうか、またこの問題がどの程度一般的であるかについて、体系的な調査は行われていない。 本稿では、実データとシミュレーションデータに、OBD参照が実質的に異なる結論を導き出すことができること、およびこれらの違いが、モデル不特定性や小さなデータによって完全に引き起こされるわけではないことを証明する。 パラメータ空間の最大半分で実質的に異なる結論が生じることを証明しているが、実データ解析ではこれらの相違は稀である。 本稿では、この経験的希少性について、OBDの下での結論が変化しないパラメータに対して、現実的なデータ生成プロセスがどのように偏りがあるかを検証することによって説明する。

関連論文リスト

• Testing Effect Homogeneity and Confounding in High-Dimensional Experimental and Observational Studies [0.552480439325792]
  本研究では, 条件付き平均処理効果(CATE)の均一性をテストするためのフレームワークを提案する。 提案手法は複数のランダム化試行を利用して, 治療効果が, 試験によって異なる不均一性と異なるかどうかを評価する。
  論文  参考訳（メタデータ） (2026-02-23T10:52:39Z)
• Identification of Single-Treatment Effects in Factorial Experiments [0.0]
  実験において複数の介入がランダム化されている場合、実験環境外において単一の介入が与える影響は、不在の英雄的仮定とは見なされないことを示す。 観測研究と要因実験は、ゼロおよび複数介入による潜在的アウトカム分布に関する情報を提供する。 この種の設計に頼っている研究者は、関数形式の線形性を正当化するか、あるいはDirected Acyclic Graphsで変数が実世界でどのように関連しているかを特定する必要がある。
  論文  参考訳（メタデータ） (2024-05-16T04:01:53Z)
• Causal Machine Learning for Moderation Effects [0.0]
  我々は,グループ平均治療効果(GATE)を測定する新しいパラメータBGATEを提案する。 主な推定戦略は、未確立の環境での個別処理のための二重/退化機械学習に基づいている。 本稿では,自動脱バイアス機械学習と特定の再重み付け手法の2つの方法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T11:34:59Z)
• Learning sources of variability from high-dimensional observational studies [41.06757602546625]
  因果推論は、変数の存在が観測結果に影響を及ぼすかどうかを研究する。 我々の研究は、任意の次元または可測空間を持つ結果に対する因果推定を一般化する。 本稿では,一貫した条件付き独立性テストを調整するための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2023-07-26T00:01:16Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• 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)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
  離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。 実験では,提案した変分後部が真の後部を良好に近似できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T17:52:49Z)

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。