Fugu-MT 論文翻訳(概要): Identification and Bounding of Central Moments of Causal Effects Using Marginal Moments Information

論文の概要: Identification and Bounding of Central Moments of Causal Effects Using Marginal Moments Information

arxiv url: http://arxiv.org/abs/2607.04957v1
Date: Mon, 06 Jul 2026 11:40:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:30.128396
Title: Identification and Bounding of Central Moments of Causal Effects Using Marginal Moments Information
Title（参考訳）: マージナルモーメント情報を用いた因果効果中央モーメントの同定とバウンディング
Abstract要約: 個別因果効果(ICE)の中心モーメントは、ICE分布の形状を特徴付ける。本稿では,各潜在的結果の限界中心モーメントのみを用いて,ICEの中心モーメントの同定とバウンダリングについて検討する。
参考スコア（独自算出の注目度）: 11.768929997865897
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Evaluating the causal effect of a treatment on an outcome is a central objective in causal inference. While the average causal effect summarizes the mean impact of treatment, the central moments of the individual causal effect (ICE) characterize the shape of the ICE distribution, thereby revealing the extent and structure of treatment effect heterogeneity across individuals. This paper investigates the identification and bounding of the central moments of the ICE using only the marginal central moments of each potential outcome (PO). Compared with existing approaches that require knowledge of the full marginal distributions of the POs, marginal moment information is often substantially easier to obtain in empirical applications. Finally, we illustrate the practical relevance of our results through two empirical case studies.
Abstract（参考訳）: 結果に対する治療の因果効果を評価することは因果推論における中心的な目的である。平均因果効果が平均的な治療効果を要約する一方で、個々の因果効果(ICE)の中心モーメントは、ICE分布の形状を特徴付け、治療効果の不均一性の範囲と構造を明らかにする。本稿では,各電位結果(PO)の限界中心モーメントのみを用いて,ICEの中心モーメントの同定とバウンダリングについて検討する。極の完全辺分布の知識を必要とする既存のアプローチと比較して、極端モーメント情報は経験的応用においてかなり容易に得ることができる。最後に,2つの実験ケーススタディを通じて,実験結果の実用的妥当性について述べる。

関連論文リスト

Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding [65.76392290956525]
本稿では, 連続領域に対する因果効果の評価を, 共起観測から検討する。我々は,任意の因果モデルの観測的および介入的分布を効果的に近似する,因果的ガウス過程(CGP)モデルの新しいファミリーを開発する。
論文参考訳（メタデータ） (2026-06-20T00:05:25Z)
Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
論文参考訳（メタデータ） (2026-02-03T10:26:16Z)
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)
Moments of Causal Effects [12.126945643201136]
この研究は、それらの分布と関係を分析するために因果効果のモーメントと積モーメントの定義、識別定理、および境界を与える。本研究では,有限標本から因果効果のモーメントを推定する実験を行い,実世界の医療データセットを用いてその実践的応用を実証する。
論文参考訳（メタデータ） (2025-05-08T06:09:05Z)
Long-term Causal Inference via Modeling Sequential Latent Confounding [79.18609016557]
長期因果推論は、様々な科学的領域において重要な問題であるが難しい問題である。本稿では, 条件付き付加的等価バイアス(CAECB)の仮定に基づくアプローチを提案する。提案した仮定は、時間的短期的な結果にまたがる逐次的共起バイアス間の機能的関係を述べる。
論文参考訳（メタデータ） (2025-02-26T09:56:56Z)
A Semiparametric Approach to Causal Inference [2.092897805817524]
因果推論において、重要な問題は介入や治療の効果を定量化することである。本稿では, 半パラメトリック密度比モデル(DRM)を用いて, 対物分布の特徴付けを行う。我々のモデルは、対物分布に関する厳密なパラメトリック仮定を避けることで柔軟性を提供する。
論文参考訳（メタデータ） (2024-11-01T18:03:38Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
A Reinforcement Learning Framework for Dynamic Mediation Analysis [16.284199152492487]
無限地平線設定における動的媒介効果を評価するための強化学習フレームワークを提案する。平均治療効果を即時直接効果、即時媒介効果、遅延直接効果、遅延媒介効果に分解する。我々はこれらの因果効果を推定するために、RLフレームワークの下で頑健で半パラメトリックで効率的な推定器を開発する。
論文参考訳（メタデータ） (2023-01-31T00:50:05Z)
Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
論文参考訳（メタデータ） (2022-10-15T17:15:51Z)
Combining Experimental and Observational Data for Identification and Estimation of Long-Term Causal Effects [12.200097942625376]
本研究では,観察領域と実験領域のデータを用いて,治療変数の長期成績に対する因果関係の同定と推定について検討した。因果効果の同定と推定を目的としたデータ融合のための3つの手法を提案する。
論文参考訳（メタデータ） (2022-01-26T04:21:14Z)
Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文参考訳（メタデータ） (2020-11-17T16:28:43Z)
On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
論文参考訳（メタデータ） (2020-03-27T13:31:49Z)

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。