論文の概要: Fit CATE Once: Model-Assisted Randomization Tests Without Sample Splitting

• arxiv url: http://arxiv.org/abs/2605.09116v1
• Date: Sat, 09 May 2026 19:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.069288
• Title: Fit CATE Once: Model-Assisted Randomization Tests Without Sample Splitting
• Title（参考訳）: 一度フィットCATE:サンプル分割なしのモデルアシストランダム化テスト
• Abstract要約: サンプル分割を伴わずにこれらの強度を組み合わせるモデル支援ランダム化試験を開発した。 鍵となる考え方は、残効の共分散構造から条件平均処理効果(CATE)の符号のないバージョンを推定することである。 代入不要なCATE推定は、不均一なサブグループとテストサブグループ特異的な治療効果の発見に有効であることを示す。
• 参考スコア（独自算出の注目度）: 8.593903320044024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Randomization tests and flexible treatment-effect models offer complementary strengths for analyzing data from randomized panel experiments: the former provide valid inference under the known assignment mechanism, while the latter can capture complex patterns of effect heterogeneity. We develop model-assisted randomization tests that combine these strengths without sample splitting. The key idea is to estimate an unsigned version of the conditional average treatment effect (CATE) from the covariance structure of residualized outcomes, while leaving the realized assignments for randomization inference. The remaining sign can be chosen to best fit the observed outcomes. We establish identification and consistency for the proposed unsigned CATE estimators, as well as validity for the CATE-assisted randomization tests. Across synthetic and semi-synthetic experiments, the CATE-assisted randomization tests control Type I error and achieve higher power than covariate-adjusted and sample-split alternatives. Finally, we show that the assignment-free CATE estimates can be used to discover heterogeneous subgroups and test subgroup-specific treatment effects.
• Abstract（参考訳）: ランダム化試験とフレキシブルな処理効果モデルにより、ランダム化されたパネル実験からのデータを分析するための補完的な強度が提供される。 サンプル分割を伴わずにこれらの強度を組み合わせるモデル支援ランダム化試験を開発した。 鍵となる考え方は、残余化結果の共分散構造から条件平均処理効果(CATE)の符号のないバージョンを推定し、ランダム化推論のための実際の割り当てを残すことである。 残りのサインは、観察された結果に最も合うように選択することができる。 提案した符号なしCATE推定器の同定と整合性、およびCATE支援ランダム化試験の妥当性を確立する。 合成および半合成実験全体において、CATE支援ランダム化試験はタイプIの誤差を制御し、共変量調整およびサンプル分割の代替よりも高い出力を達成する。 最後に、不均質なサブグループとテストサブグループ特異的な治療効果を発見するために、代入不要なCATE推定が利用できることを示す。

関連論文リスト

• Overcoming Selection Bias in Statistical Studies With Amortized Bayesian Inference [1.9709458230153813]
  選択バイアスは、観測がデータセットに入る確率が興味の量に関連する変数に依存するときに生じる。 我々は、選択を神経後部推定に明示的に組み込むバイアス対応シミュレーションベースの推論フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-04-20T14:20:16Z)
• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [65.21599711087538]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Model-based causal feature selection for general response types [8.228587135343071]
  Invariant causal prediction (ICP) は、不均一な設定からのデータを必要とする因果的特徴選択の手法である。 我々は変換モデル(TRAM)ベースのICPを開発し、連続的、分類的、カウント型、非形式的に検閲された応答を可能にする。 我々は、オープンソースのRパッケージ「tramicp」を提供し、シミュレーションデータに対する我々のアプローチを評価し、重篤な患者の生存の因果的特徴を調査する事例研究を行った。
  論文  参考訳（メタデータ） (2023-09-22T12:42:48Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
  PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。 効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
  論文  参考訳（メタデータ） (2022-06-14T03:58:03Z)
• Testing Group Fairness via Optimal Transport Projections [12.972104025246091]
  提案試験は, 摂動に偏りを示すか, データのランダム性に起因するかを評価するための, 柔軟な, 解釈可能な, 統計的に厳密なツールである。 グループフェアネスを定義する複数の影響基準から生じる可能性のある統計的課題は、グループフェア確率モデルの集合に経験的測度を投影することによって、都合よく取り組まれる。 提案フレームワークは,複数属性の合成固有フェアネス仮説およびフェアネスの試験にも使用することができる。
  論文  参考訳（メタデータ） (2021-06-02T10:51:39Z)
• Double machine learning for sample selection models [0.12891210250935145]
  本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。 a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
  論文  参考訳（メタデータ） (2020-11-30T19:40:21Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)
• Achieving Equalized Odds by Resampling Sensitive Attributes [13.114114427206678]
  等価性の概念をほぼ満足する予測モデルを学習するためのフレキシブルなフレームワークを提案する。 この微分可能な関数は、モデルパラメータを等化奇数に向けて駆動するペナルティとして使用される。 本研究は,予測規則が本性質に反するか否かを検出するための公式な仮説テストを開発する。
  論文  参考訳（メタデータ） (2020-06-08T00:18:34Z)
• Asymptotic Validity and Finite-Sample Properties of Approximate Randomization Tests [2.28438857884398]
  我々の理論的な重要な貢献は、ノイズレスデータを用いた近似ランダム化テストのサイズと元のランダム化テストのサイズとの差に非漸近的境界を持つことである。 線形回帰における有意性のテストを含むいくつかの例を通して、我々の理論を解説する。
  論文  参考訳（メタデータ） (2019-08-12T16:09:15Z)

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。