論文の概要: Attenuated Heterogeneity in Fixed-Effects Causal Forests, and a Cross-Fitted Correction

• arxiv url: http://arxiv.org/abs/2607.22896v1
• Date: Fri, 24 Jul 2026 20:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.923447
• Title: Attenuated Heterogeneity in Fixed-Effects Causal Forests, and a Cross-Fitted Correction
• Title（参考訳）: 固定効果のある因果樹林における不均質化と交叉補正
• Abstract要約: 因果樹林は、木々を横断する優良な葉レベル効果を平均化する条件平均処理効果を推定する。 この平均値が推定不均一性を系統的に減衰させることを示す。 我々はChernozhukovらによる最適線形予測器の校正に適応し、非減衰勾配をバッグ外から推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Causal forests that estimate conditional average treatment effects by averaging honest leaf-level effects across trees are widely used in fixed-effects panel settings. We show that this averaging systematically attenuates the estimated heterogeneity: the raw prediction behaves like a + b*tau(x) with slope b < 1, so the spread of the CATEs is compressed toward the average effect, and the additive recentering used to report an unbiased average treatment effect does not fix it. Benchmarking against a similarity-weight generalized random forest on the same within-transformed signal, we find both estimators attenuate but the leaf-averaging construction attenuates materially more. We characterize how b moves with the design, worsening with lower signal-to-noise, smaller panels, and higher dimension; this diagnosis is our main contribution. As a remedy we adapt the best-linear-predictor calibration of Chernozhukov et al., estimating the de-attenuation slope out-of-bag so that it is self-contained within the observational panel and asymptotically inert under a homogeneous effect. In simulations the correction cuts CATE mean-squared error by 25-42% relative to the recentering default; on a standard county minimum-wage panel the attenuation is present but mild and the correction restores the imposed spread. We ship the method in the causalfe Python package.
• Abstract（参考訳）: 木々間の平均葉レベル効果を平均化する条件平均処理効果を推定する因果林は、固定効果パネル設定において広く利用されている。 この平均的不均一性は, 生の予測はa + b*tau(x) と傾斜b < 1 とのように振る舞うので, CATE の拡散は平均効果に向かって圧縮され, 偏りのない平均処理効果を報告するために用いられる付加的更新は修正されない。 同じ内部変換信号上の類似度重み付き一般化ランダムフォレストと比較すると、両推定器は減衰するが、葉吸収構造は物質的に減衰する。 我々は、bが設計によってどのように動くのかを特徴付け、より低い信号対雑音、より小さなパネル、より高次元で悪化させます。 治療として,Chernozhukovらによる最良線形予測器の校正を適応し,観測パネル内に自己完結し,同種効果下で漸近的に不活性となるように,減弱斜面のアウト・オブ・バッグを推定する。 シミュレーションでは、補正はCATE平均二乗誤差を最近のデフォルト値と比較して25〜42%削減する。 メソッドは Casalfe Python パッケージに出荷します。

関連論文リスト

• Calibrated Bayesian Inference for Stochastic Intervention Effects [0.0]
  因果推論は、決定論的処理の割り当てによって定義される古典的な因果効果を超えてますます拡張される。 非パラメトリックベイズモデルは、その柔軟性と固有の不確実性伝播のために調整された介入効果を推定するのに魅力的である。 先行アルゴリズムや適合アルゴリズムを変更せずに後部サンプルに適用できる簡易な後処理補正法を開発した。
  論文  参考訳（メタデータ） (2026-08-03T22:20:40Z)
• A Fixed-Effects Causal Forest for Staggered Adoption, with an Application to Medicaid Expansion [0.0]
  固定効果の因果林を持つtau_g,t(x)オブジェクトを推定する。 集団平均治療効果ATT(g,t)の相違 本稿では,ACAメディケイド拡張におけるカウンティレベルロールアウトのバリデーションとして,Callaway-Sant'Anna最小賃金パネルに適用する。
  論文  参考訳（メタデータ） (2026-07-22T00:53:27Z)
• ADAPTOOD: Uncertainty-Aware Fine-Tuning for Out-of-Distribution ECG Time Series Models [40.52446939077265]
  多様なセンサー、人口、アプリケーション設定によって生じる分散シフトによって、パフォーマンスは劣化することが多い。 分散シフト重大度を定量化するためにデータ不確実性を活用する新しいフレームワークであるADAPTOODを提案する。 我々は,ADAPTOODが既存のOODタスクよりも7%高い精度,12.9%高い精度を実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-02T19:26:20Z)
• Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes [0.0]
  片方の治療用アームが他方よりもはるかに小さい,少数のプラセボ系について検討した。 それらは、その名目レベルよりも、真の効果をほとんど含まない。 本稿では,各アームの結果面をガウス過程でモデル化するGP-CATEを提案する。
  論文  参考訳（メタデータ） (2026-05-26T11:18:42Z)
• Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
  本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。 本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。 情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
  論文  参考訳（メタデータ） (2026-04-05T19:07:24Z)
• Kernel Treatment Effects with Adaptively Collected Data [23.3862001690226]
  本稿では,適応データ収集における分散推論のための最初のカーネルベース推論フレームワークを提案する。 本手法は,Hilbert-space Martingale CLTによる2つの頑健なスコアと分散安定化を組み合わせることで,正規性を確保する。 実験により、平均シフトとより高いモーメント差の両方に有効かつ効果的であることが示されている。
  論文  参考訳（メタデータ） (2025-10-11T15:01:21Z)
• Negative as Positive: Enhancing Out-of-distribution Generalization for Graph Contrastive Learning [60.61079931266331]
  グラフコントラスト学習(GCL)において、最も意味論的に類似したドメイン間負対を正として扱う新たな戦略であるNegative as Positiveを提案する。 実験結果から,GCLのOOD一般化性能が大幅に向上することが確認された。
  論文  参考訳（メタデータ） (2024-05-25T13:29:31Z)
• Double Robust Bayesian Inference on Average Treatment Effects [2.458652618559425]
  不整合下での平均処理効果(ATE)に対する二重頑健なベイズ推定法を提案する。 新しいベイズ的アプローチでは、まず条件付き平均関数の事前分布を調整し、得られた ATE の後方分布を補正する。
  論文  参考訳（メタデータ） (2022-11-29T15:32:25Z)
• 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)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• Sparse Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation [0.0]
  本稿では,ベイジアン因果樹林のスパース性誘導型を考案する。 観察データを用いて不均一な治療効果を推定する。
  論文  参考訳（メタデータ） (2021-02-12T15:24:50Z)

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。