論文の概要: Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions

• arxiv url: http://arxiv.org/abs/2605.21548v1
• Date: Wed, 20 May 2026 11:08:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.936029
• Title: Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions
• Title（参考訳）: 前処理を伴わない平均因果効果推定のための局所的共変量選択と因果効率推定
• Authors: Zeyu Liu, Zheng Li, Feng Xie, Yan Zeng, Hao Zhang, Kun Zhang,
• Abstract要約: 既存のアプローチは、典型的には全変数のグローバル因果構造学習や、因果正当性のような強い仮定に頼っている。 本研究では,非パラメトリック因果効果推定における共変量選択のための新しい局所学習法を提案する。 複数の合成データセットと2つの実世界のデータセットを用いた実験により,本手法は精度の高い因果効果推定を実現し,計算効率を大幅に向上することを示した。
• 参考スコア（独自算出の注目度）: 18.19166664646723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of selecting covariates for unbiased estimation of the total causal effect.Existing approaches typically rely on global causal structure learning over all variables, or on strong assumptions such as causal sufficiency - where observed variables share no latent confounders - or the pretreatment assumption, which limits covariates to those unaffected by the treatment or outcome. These requirements are often unrealistic in practice, and global learning becomes computationally prohibitive in high-dimensional settings.To address these challenges, we propose a novel local learning method for covariate selection in nonparametric causal effect estimation that avoids both the pretreatment and causal sufficiency assumptions. We first characterize a local boundary that contains at least one valid adjustment set whenever one exists for identifying the causal effect, and then develop local identification procedures to efficiently search within this boundary.We prove that the proposed method is sound and complete. Experiments on multiple synthetic datasets and two real-world datasets show that our approach achieves accurate causal effect estimation while substantially improving computational efficiency.
• Abstract（参考訳）: 本研究では,全因果効果の非偏り推定のための共変量選択の問題について検討する。既存のアプローチは,すべての変数に対するグローバル因果構造学習や,観察された変数が潜伏した共同設立者を共有しないような因果補足能力(Cousal sufficiency)などの強い仮定,あるいは治療や結果によって影響を受けないものに対して共変量を制限する前処理仮定(pretreatment assumption)などに依存する。 これらの要件は実際は非現実的であり,グローバルラーニングは高次元環境では計算的に禁止されることが多く,これらの課題に対処するために,非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。 まず, 因果効果を識別するために, 少なくとも1つの有効な調整セットを含む局所境界を特徴付けるとともに, この境界内で効率的に探索するための局所識別手順を開発し, 提案手法が健全かつ完全であることを証明した。 複数の合成データセットと2つの実世界のデータセットを用いた実験により,本手法は精度の高い因果効果推定を実現し,計算効率を大幅に向上することを示した。

関連論文リスト

• 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)
• Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables [17.154150811381907]
  非実験データから因果効果を推定することは、科学の多くの分野における根本的な問題である。 非パラメトリック因果効果推定における共変量選択のための新しい局所学習手法を提案する。 我々は、合成データと実世界のデータの両方に関する広範な実験を通じて、アルゴリズムを検証する。
  論文  参考訳（メタデータ） (2024-11-25T12:08:54Z)
• Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation [137.3520153445413]
  下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。 我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。 研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
  論文  参考訳（メタデータ） (2023-07-11T02:58:10Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Partial Identification with Noisy Covariates: A Robust Optimization Approach [94.10051154390237]
  観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。 このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。 合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
  論文  参考訳（メタデータ） (2022-02-22T04:24:26Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)

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。