論文の概要: Spectral Truncation in Synthetic Control
- arxiv url: http://arxiv.org/abs/2607.25074v1
- Date: Mon, 27 Jul 2026 21:09:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.62271
- Title: Spectral Truncation in Synthetic Control
- Title（参考訳）: 合成制御におけるスペクトルトランケーション
- Abstract要約: 合成制御(SC)は、処理単位の前処理軌跡とドナー単位の重み付けの組み合わせとを一致させる。
代わりに、ドナーパネルの主時間特異ベクトルによって定義される座標において、処理単位と一致するスペクトルSCについて検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Synthetic control (SC) matches a treated unit's pre-treatment trajectory to a weighted combination of donor units. We study Spectral SC, which instead matches the treated unit in coordinates defined by the leading temporal singular vectors of the donor panel, and a hybrid estimator that places separately tunable weight on retained and discarded directions, nesting raw-path SC and truncated Spectral SC as endpoints. We prove that the family reduces exactly to raw-path SC at full rank, that exact balance on $K$ retained dimensions with $N_0$ donors is underdetermined whenever $N_0>K+1$, with an affine solution set of dimension $N_0-K-1$, and that spectral imbalance maps to treatment-effect bias through a finite-sample best-linear-predictor decomposition. We evaluate the estimators across eleven data-generating regimes, using $400$ replications per regime and donor-only placebo validation to select regularization and the mixing weight. Truncated Spectral SC has significantly higher RMSE than tuned raw-path SC in every regime, with paired differences equal to $4$ to $11$ Monte Carlo standard errors. The hybrid estimator selects raw-path matching in most replications and is statistically indistinguishable from tuned SC in most regimes. The result is highly sensitive to preprocessing. With raw inputs, the performance gap is large; after removing unit and time fixed effects before spectral decomposition, as suggested by the assumptions behind our bound, the gap nearly disappears and placebo validation begins to favor truncation. We interpret these findings diagnostically rather than as evidence that Spectral SC should replace raw-path SC. Basis-estimation noise, balancing underdetermination, and fixed-effects contamination determine when spectral matching can help.
- Abstract（参考訳）: 合成制御(SC)は、処理単位の前処理軌跡とドナー単位の重み付けの組み合わせとを一致させる。
ドナーパネルの時間的特異ベクトルで定義される座標で処理単位と一致するスペクトルSCと、保持方向と廃棄方向を個別に調整可能な重み付けを行うハイブリッド推定器を、終端として生経路SCと切り離したスペクトルSCをネストする。
N_0>K+1$, 次元のアフィン解集合が$N_0-K-1$, 有限サンプルの最良線形予測器分解による治療効果バイアスに対するスペクトル不均衡写像は, ドナーの保持次元が$N_0>K+1$の正確なバランスが下限となることを証明した。
データ生成レギュレータを1レギュレーションあたり400ドルのレプリケーションとドナーのみのプラセボバリデーションを用いて,レギュラー化と混合重量を選択することで,11レギュラーデータ生成レギュレーションにおける推定値の評価を行った。
Truncated Spectral SCは、すべてのレシエーションで調整された生のパスSCよりもRMSEが著しく高く、ペアの差はモンテカルロ標準誤差の4ドルから11ドルに等しい。
ハイブリッド推定器は、ほとんどの複製において生パスマッチングを選択し、ほとんどのレジームにおいて調整されたSCと統計的に区別できない。
その結果は前処理に非常に敏感である。
スペクトル分解の前に単位と時間に固定された効果を除去した後、我々の境界の裏側にある仮定によって示唆されるように、このギャップはほぼ消失し、プラセボの妥当性が低下し始める。
また,これらの所見を,スペクトルSCが生パスSCに取って代わる証拠としてではなく,診断的に解釈する。
基底推定ノイズ、過小評価のバランス、固定効果汚染は、いつスペクトルマッチングが役立つかを決定する。
関連論文リスト
- SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。
決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。
NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
論文 参考訳（メタデータ） (2026-08-21T07:20:22Z) - Spectral-Aware Analytic Class-Incremental Learning for Long-Tailed Distributions [17.58096703161218]
解析的連続学習は、勾配に基づくアプローチに対する計算的に効率的な代替手段を提供する。
近年のACL法は, 長期分布を特徴とする授業増進学習のシナリオにおいて, 大きく変化している。
本稿では,長期学習をスペクトル正則化問題として扱う理論的基盤の枠組みである幾何スペクトル整流法(GSR)を提案する。
論文 参考訳（メタデータ） (2026-07-24T22:12:15Z) - Predictive Maps of Multi-Agent Reasoning: A Successor-Representation Spectrum for LLM Communication Topologies [0.0]
既存の評価は、これらの質問に答えるのは、ポストホックと測定されたタスクのみである。
本稿では,M = (I - P)-1$の行確率的通信演算子の後継表現に基づくマルチエージェントLLM通信グラフの構造診断を提案する。
鎖,星,メッシュの閉形スペクトルを行確率正規化法で導出し,12ステップ構成された状態追跡タスクの予測を検証した。
論文 参考訳（メタデータ） (2026-05-12T03:11:39Z) - Reinforcement Learning from Multi-Source Imperfect Preferences: Best-of-Both-Regimes Regret [71.69884486156359]
我々は, 累積的不完全化予算を用いて, エンフルティソースの不完全性選好からエピソードRLを考察した。
我々は,最良な登録行動を示す,後悔$tildeO(sqrtK/M+)$の統一アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-20T19:34:53Z) - Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。
OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
論文 参考訳（メタデータ） (2026-03-19T17:43:12Z) - Spectral Tempering for Embedding Compression in Dense Passage Retrieval [17.660889990235656]
最適スケーリング強度$$はグローバル定数ではないことを示す。
本研究では,適応的な$(k)$をコーパス固有スペクトルから直接導出する学習自由化手法であるSpectral Temperingを提案する。
論文 参考訳（メタデータ） (2026-03-19T10:01:32Z) - Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。
任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。
本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
論文 参考訳（メタデータ） (2026-02-19T17:21:15Z) - Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。
本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。
$|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
論文 参考訳（メタデータ） (2025-12-22T10:03:51Z) - Orthogonal Causal Calibration [55.28164682911196]
我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。
以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
論文 参考訳（メタデータ） (2024-06-04T03:35:25Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳（メタデータ） (2021-09-24T14:48:20Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z)
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。