論文の概要: Causal Inference for Sequential Settings under Interference and Latent Confounding
- arxiv url: http://arxiv.org/abs/2607.14940v1
- Date: Thu, 16 Jul 2026 12:51:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.098593
- Title: Causal Inference for Sequential Settings under Interference and Latent Confounding
- Title（参考訳）: 干渉・潜伏条件下における逐次的設定の因果推論
- Abstract要約: 結果干渉下での因果推論を, 連続的, 観察的設定で検討した。
我々は、N 単位上のバイナリ結果が T 時間ステップでマルコビアンとなるような設定を考える。
パネルデータ文献と同様に、潜伏した共同設立者は低ランクの要素構造を持つようにモデル化されている。
- 参考スコア（独自算出の注目度）: 24.679587214571345
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study causal inference under outcome interference for sequential, observational settings. Specifically, we consider settings where the binary outcomes over N units are Markovian across T time steps. At each time step, the outcomes of N units have dependencies captured through an Ising model; each outcome is also impacted through an external field capturing the effects of its treatment as well as latent confounders. Similar to panel data literature, these latent confounders are modeled to have a low-rank factor structure. Our data is a single sample from this high-dimensional distribution. To estimate causal quantities of interest, we provide a computationally efficient method based on Maximum Pseudo-Likelihood Estimation (MPLE) for learning the model parameters. Under mild assumptions, we establish non-asymptotic consistency for parameter estimation and show this translates to faithful estimation of causal quantities of interest after sampling from the learned model. We demonstrate the efficacy of the method through synthetic experiments as well as a real-world case-study investigating causal effects of vaccine rates on COVID-19 death rates within US counties nationwide.
- Abstract（参考訳）: 結果干渉下での因果推論を, 連続的, 観察的設定で検討した。
具体的には、N 個の単位に対するバイナリ結果が T 個の時間ステップでマルコビアンとなるような設定を考える。
それぞれの段階において、Nユニットの結果はIsingモデルによってキャプチャされる依存関係を持つ。
パネルデータ文献と同様に、これらの潜伏した共同設立者は低ランクの要素構造を持つようにモデル化されている。
私たちのデータは、この高次元分布からの1つのサンプルです。
因果関係を推定するために,モデルパラメータを学習するための最大擬似関係推定(MPLE)に基づく計算効率の高い手法を提案する。
軽度の仮定では,パラメータ推定のための非漸近的整合性を確立し,学習モデルから抽出した後の因果的関心量の忠実な推定に寄与することを示す。
本手法の有効性を, 実世界のケーススタディで実証し, 全国各地の新型コロナウイルス死亡率に対するワクチン接種率の因果効果について検討した。
関連論文リスト
- Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data [48.72384067821617]
我々は、因果推論において実験データと観測データを統合するための新しい手法を開発した。
実験と観測の損失の重み付けを最小化することにより、因果パラメータを含む完全なモデルを得る。
実データおよび合成データを用いた実験により,本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2025-11-01T22:24:16Z) - Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。
提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
論文 参考訳（メタデータ） (2025-07-23T11:58:54Z) - A Causal Inference Framework for Data Rich Environments [17.588417435132538]
潜在的な結果や治療の課題に対する古典的なモデルが、私たちのフレームワークにどのように適合するかを示します。
特定のニュアンスパラメータに対する十分高速な推定誤差率を持つ任意の推定器に対して、これらの様々な因果パラメータに一貫性があることを確かめる。
論文 参考訳（メタデータ） (2025-04-02T13:04:26Z) - Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。
第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。
第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文 参考訳（メタデータ） (2025-02-11T19:24:09Z) - Constructing Confidence Intervals for Average Treatment Effects from Multiple Datasets [51.2467404472005]
本稿では、複数の観測データセットからATEを推定し、有効なCIを提供する新しい手法を提案する。
本手法は観測データセットの仮定をほとんど行わず,医学的実践に広く応用できる。
論文 参考訳（メタデータ） (2024-12-16T07:39:46Z) - What can the millions of random treatments in nonexperimental data
reveal about causes? [0.0]
この記事ではこのようなモデルとベイズ的アプローチを紹介し、非経験的データで典型的に使用可能な 1(n2)$ のペアワイズ観測を組み合わせる。
提案手法は, 一般のnswサンプル, 任意のサブポピュレーションおよび大容量スーパーサンプルにおいて, 因果効果を回復することを示す。
論文 参考訳（メタデータ） (2021-05-03T20:13:34Z) - 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) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - How Robust are the Estimated Effects of Nonpharmaceutical Interventions
against COVID-19? [46.28845358816497]
現状NPIの有効性モデルを2つ検討し, 構造的仮定の異なる6つの変種を提案する。
我々は,NPIの有効性評価が未確認の国にどのように一般化するか,および未観測の要因に対する感受性について検討した。
我々は、ある共通仮定が成り立たない場合に、NPIの有効性推定の解釈を数学的に基礎とする。
論文 参考訳（メタデータ） (2020-07-27T11:49:54Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。