論文の概要: Prediction-Powered Causal Inference by Automatic Debiased Machine Learning and Semi-Supervised Riesz Regression
- arxiv url: http://arxiv.org/abs/2606.12892v1
- Date: Thu, 11 Jun 2026 04:37:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.581645
- Title: Prediction-Powered Causal Inference by Automatic Debiased Machine Learning and Semi-Supervised Riesz Regression
- Title（参考訳）: 自動脱バイアス機械学習と半教師付きリース回帰による予測型因果推論
- Authors: Masahiro Kato,
- Abstract要約: 本研究では,半教師付き環境における因果的・構造的パラメータの半パラメトリック効率的に推定する。
我々の設定では、ラベル付き補助回帰器に加えて、結果と回帰器からなるラベル付き観察器が利用可能である。
- 参考スコア（独自算出の注目度）: 6.44705221140412
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study investigates semiparametric efficient estimation of causal and structural parameters in a semi-supervised setting. In our setting, unlabeled auxiliary regressors are available in addition to labeled observations consisting of outcomes and regressors. Our goal is to construct estimators of causal and structural parameters whose asymptotic variances are smaller than those of estimators constructed using only labeled data. We refer to this framework as prediction-powered causal inference (PPCI). We first derive the efficient influence function and the efficiency bound, which imply that the use of auxiliary regressors can attain a smaller asymptotic variance than the efficiency bound attainable from labeled observations alone. Then, by combining the efficient influence function with the debiased machine learning (DML) framework, we propose methods that we call DML-PPCI. If we construct an estimating-equation estimator, we refer to the method as EE-DML-PPCI; if we construct a targeted-learning estimator, we refer to the method as TMLE-DML-PPCI. The asymptotic variances of both estimators match our derived efficiency bound. In the construction of the estimators, estimation of the efficient influence function plays an important role. In our study, the efficient influence function is also a Neyman orthogonal score, which depends on the Riesz representer and the regression function. For Riesz representer estimation, we develop semi-supervised generalized Riesz regression with convergence rate guarantees.
- Abstract（参考訳）: 本研究では,半教師付き環境における因果的・構造的パラメータの半パラメトリック効率的に推定する。
我々の設定では、ラベル付き補助回帰器に加えて、結果と回帰器からなるラベル付き観察器が利用可能である。
我々のゴールは、ラベル付きデータのみを用いて構築された推定器よりも漸近的分散が小さい因果パラメータと構造パラメータの推定器を構築することである。
本稿では,この枠組みを予測型因果推論(PPCI)と呼ぶ。
まず,効率的な影響関数と効率バウンダリを導出し,これは,ラベル付き観測だけで達成できる効率バウンダリよりも,補助回帰器の使用による漸近的分散が小さいことを示唆している。
そして、効率的な影響関数とデバイアスド機械学習(DML)フレームワークを組み合わせることで、DML-PPCIと呼ぶ手法を提案する。
推定方程式推定器を構築する場合、この手法をEE-DML-PPCIと呼び、ターゲット学習推定器を構築する場合、TMLE-DML-PPCIと呼ぶ。
両推定器の漸近的分散は、我々の導出した効率境界と一致する。
推定器の構築において,効率的な影響関数の推定が重要な役割を担っている。
本研究において、効率的な影響関数は、リーズ表現子と回帰関数に依存するネイマン直交スコアでもある。
Riesz表現子推定では、収束率保証を伴う半教師付き一般化されたRiesz回帰を開発する。
関連論文リスト
- ScoreMatchingRiesz: Auto-DML with Infinitesimal Classification [6.44705221140412]
Riesz表現子は、$sqrtn$-consistentと効率的な推定器を構築するための機械学習の重要なコンポーネントである。
スコアマッチングに基づくDRE手法をRiesz表現子推定に拡張する。
論文 参考訳（メタデータ） (2025-12-23T17:14:14Z) - RieszBoost: Gradient Boosting for Riesz Regression [49.737777802061984]
本稿では,Riesz表現子を直接推定するために,その明示的な解析形式を必要とせず,新たな勾配向上アルゴリズムを提案する。
提案アルゴリズムは,様々な関数を対象とした間接推定手法と同等以上の性能を示す。
論文 参考訳（メタデータ） (2025-01-08T23:04:32Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-09T03:55:09Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳（メタデータ） (2022-08-29T16:16:22Z) - Semi-Supervised Quantile Estimation: Robust and Efficient Inference in High Dimensional Settings [0.5735035463793009]
2つの利用可能なデータセットを特徴とする半教師付き環境での量子推定を考察する。
本稿では,2つのデータセットに基づいて,応答量子化(s)に対する半教師付き推定器群を提案する。
論文 参考訳（メタデータ） (2022-01-25T10:02:23Z) - Doubly Robust Semiparametric Difference-in-Differences Estimators with
High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。
第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。
第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文 参考訳（メタデータ） (2020-09-07T15:14:29Z) - Nonparametric inverse probability weighted estimators based on the
highly adaptive lasso [0.966840768820136]
非パラメトリック逆確率重み付き推定器は非効率であり、次元性の呪いに苦しむことが知られている。
高度適応型ラッソのアンダースムーシングにより重み付け機構を推定する非パラメトリック逆確率重み付き推定器のクラスを提案する。
我々の開発は、大規模統計モデルと様々な問題設定における効率的な逆確率重み付き推定器の構築に幅広い意味を持つ。
論文 参考訳（メタデータ） (2020-05-22T17:49:46Z) - 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) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳（メタデータ） (2019-12-30T14:42:52Z)
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。