論文の概要: Nonparametric efficient inference for network quantile causal effects under partial interference

• arxiv url: http://arxiv.org/abs/2604.13008v1
• Date: Tue, 14 Apr 2026 17:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.593035
• Title: Nonparametric efficient inference for network quantile causal effects under partial interference
• Title（参考訳）: 部分干渉によるネットワーク量子因果効果の非パラメトリック効率的な推論
• Abstract要約: 本研究では,部分干渉の有無によるネットワーク因果効果について検討した。 我々は、これらのネットワーク量子因果効果を推定するための一般的な非パラメトリック効率理論を開発する。 我々は条件付き結果分布の直接推定を回避できる3方向のクロスフィッティング手法を利用する。
• 参考スコア（独自算出の注目度）: 7.8355985789666684
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Interference arises when the treatment assigned to one individual affects the outcomes of other individuals. Commonly, individuals are naturally grouped into clusters, and interference occurs only among individuals within the same cluster, a setting referred to as partial interference. We study network causal effects on outcome quantiles in the presence of partial interference. We develop a general nonparametric efficiency theory for estimating these network quantile causal effects, which leads to a nonparametrically efficient estimator. The proposed estimator is consistent and asymptotically normal with parametric convergence rates, while allowing for flexible, data-adaptive estimation of complex nuisance functions. We leverage a three-way cross-fitting procedure that avoids direct estimation of the conditional outcome distribution. Simulations demonstrate adequate finite-sample performance of the proposed estimators, and we apply the methods to a clustered observational study.
• Abstract（参考訳）: 干渉は、ある個人に割り当てられた治療が他の個人の結果に影響を与えるときに起こる。 一般的に、個人は自然にクラスタにグループ化され、干渉は同一クラスタ内の個人の間でのみ発生し、部分的干渉と呼ばれる。 本研究では,部分干渉の有無によるネットワーク因果効果について検討した。 我々は、これらのネットワーク量子因果効果を推定するための一般的な非パラメトリック効率理論を開発し、非パラメトリック効率な推定を行う。 提案した推定器はパラメトリック収束率と一致し漸近的に正規であり、複雑なニュアンス関数の柔軟なデータ適応推定を可能にする。 我々は条件付き結果分布の直接推定を回避できる3方向のクロスフィッティング手法を利用する。 シミュレーションは,提案した推定器の有限サンプル性能を十分に証明し,その手法をクラスタ化観測研究に適用する。

関連論文リスト

• Learning heterogeneous treatment effects under principal stratification [4.965155763091777]
  主無知下における条件付き主因果効果の同定と推定について検討した。 本稿では,主成層に固有のネスト状ニュアンス構造を解消する,二重整合型二重剛性機械を提案する。
  論文  参考訳（メタデータ） (2026-06-27T20:27:17Z)
• Learning Joint Interventional Effects from Single-Variable Interventions in Additive Models [49.567092222782435]
  観察データと単変量介入のみを用いて共同介入効果の学習方法を示す。 本稿では,それぞれの介入変数に対する因果効果を,包括的かつ未確立な貢献に分解する実用的推定器を提案する。
  論文  参考訳（メタデータ） (2025-06-05T12:20:50Z)
• Off-policy estimation with adaptively collected data: the power of online learning [20.023469636707635]
  適応的に収集したデータを用いて, 処理効果の線形関数を推定する。 本稿では,オンライン学習を通じて治療効果の一連の推定を生成できる一般還元方式を提案する。
  論文  参考訳（メタデータ） (2024-11-19T10:18:27Z)
• Doubly Robust Estimation of Direct and Indirect Quantile Treatment Effects with Machine Learning [0.0]
  本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。 提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。 また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
  論文  参考訳（メタデータ） (2023-07-03T14:27:15Z)
• 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)
• Neighborhood Adaptive Estimators for Causal Inference under Network Interference [109.17155002599978]
  ネットワークに接続された単位による古典的非干渉仮定の違反について考察する。 トラクタビリティでは、干渉がどのように広がるかを記述する既知のネットワークを考える。
  論文  参考訳（メタデータ） (2022-12-07T14:53:47Z)
• Treatment Effect Estimation with Observational Network Data using Machine Learning [3.368625253689146]
  治療効果推定のための因果推論法は、通常独立した単位を仮定する。 本研究では,1つの(社会的)ネットワークからの観測データによる期待平均処理効果(EATE)の推定と推定のための拡張逆確率重み付け(AIPW)を開発した。
  論文  参考訳（メタデータ） (2022-06-29T12:52:41Z)
• 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)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders [12.105996764226227]
  非確立状態下では、共同設立者に対する調整は、非パラメトリックな共同設立者に対して結果や治療に関連する迷惑関数を見積もる必要がある。 本稿では,ニューラルネットワーク(ANN)を用いた一般的な治療効果の効率的な評価のための一般化された最適化手法について考察する。
  論文  参考訳（メタデータ） (2020-09-15T13:07:24Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Almost-Matching-Exactly for Treatment Effect Estimation under Network Interference [73.23326654892963]
  本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。 本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
  論文  参考訳（メタデータ） (2020-03-02T15:21:20Z)
• Nonparametric inference for interventional effects with multiple mediators [0.0]
  より柔軟で、おそらく機械学習に基づく推定技術を可能にする理論を提供する。 提案した推定器の複数のロバスト性特性を示す。 本研究は, 介入媒介効果の推定において, 最新の統計的学習手法を活用する手段を提供する。
  論文  参考訳（メタデータ） (2020-01-16T19:05:00Z)

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。