論文の概要: When Predictions Become Regressors: A Split-Sample Correction for Biases in Downstream Inference

• arxiv url: http://arxiv.org/abs/2608.02909v1
• Date: Mon, 03 Aug 2026 21:49:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.951942
• Title: When Predictions Become Regressors: A Split-Sample Correction for Biases in Downstream Inference
• Title（参考訳）: 予測が回帰者になるとき:下流推論におけるバイアスに対する分割サンプル補正
• Abstract要約: 予測に基づく手法は、直接的に定量化が難しい政治的現象の尺度を構築するためにしばしば用いられる。 本稿では,原データの独立分割に基づいて生成した複数の測度から構成した楽器変数という,単純な解を提案する。 比較的小さなサンプルであっても,本手法は真の値に近い推定値を復元し,標準手法は実際にかなりのバイアスを生じさせることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction-based methods, including Large Language Models (LLMs) and other machine learning techniques, are often used to construct measures of political phenomena that are difficult to quantify directly, such as policy positions in manifestos or emotions expressed on social media. In many applications, these prediction-generated measures are used as explanatory variables in regression models, even though they are measured with error. This leads to biased estimates. In this paper, we propose a simple solution to these biases: instrumental variables constructed from multiple measures created on independent splits of the original data. This approach is theoretically valid, easy to implement, and does not require new data. Through simulations, we show that this approach recovers estimates close to the true values, even in relatively small samples, while the standard approach can produce substantial bias in practice. We illustrate the method by revisiting two applications: whether gendered speech affects legislative outcomes in the German Parliament, and whether political risk influences poverty alleviation programs in China.
• Abstract（参考訳）: 大規模言語モデル(LLM)やその他の機械学習技術を含む予測に基づく手法は、ソーシャルメディア上で表現されるマニフェストや感情の政策位置など、直接的に定量化が難しい政治的現象の尺度を構築するためにしばしば用いられる。 多くの応用において、これらの予測生成測度は、誤差で測定されたとしても回帰モデルにおける説明変数として使用される。 これは偏りの見積に繋がる。 本稿では,これらのバイアスに対する簡単な解法を提案する。 このアプローチは理論的に有効であり、実装が容易であり、新しいデータを必要としない。 シミュレーションにより、比較的小さなサンプルであっても、本手法は真の値に近い見積もりを復元し、標準手法は実際にかなりのバイアスを生じさせることを示した。 本稿は、ドイツ議会におけるジェンダースピーチが立法成果に影響を及ぼすか否かと、中国の貧困緩和プログラムに政治的リスクが影響を及ぼすかどうかという2つの方法を再検討する。

関連論文リスト

• A Moment-Based Generalization to Post-Prediction Inference [2.089112028396727]
  人工知能(AI)と機械学習(ML)は、下流の分析のためのデータを生成するためにますます利用されている。 これらの予測を真に観察すると、偏見のある結果と誤った推測につながる可能性がある。 Wangらは、AI/ML予測と観測結果の関係をモデル化して推論を校正する、予測後推論手法を提案した。
  論文  参考訳（メタデータ） (2025-07-12T02:33:45Z)
• The Mismeasure of Man and Models: Evaluating Allocational Harms in Large Language Models [22.75594773147521]
  大規模言語モデル(LLM)におけるバイアスから生じる潜在的アロケーション障害を評価するモデル非依存バイアス指標であるランクアロケーションベースバイアス指標(RABBI)を導入する。 その結果, 平均性能差と分布距離に基づく偏差測定では, 割り当て結果の集団差を確実に把握できないことがわかった。 私たちの研究は、限られたリソース制約のあるコンテキストでモデルがどのように使用されるかを説明する必要性を強調しています。
  論文  参考訳（メタデータ） (2024-08-02T14:13:06Z)
• De-Biasing Models of Biased Decisions: A Comparison of Methods Using Mortgage Application Data [0.0]
  本稿では、住宅ローン申請決定の実データに反実的(シミュレートされた)民族バイアスを加える。 このバイアスは、民族が予測変数として使用されていない場合でも、機械学習モデル(XGBoost)によって再現される。
  論文  参考訳（メタデータ） (2024-05-01T23:46:44Z)
• Uncertainty in Language Models: Assessment through Rank-Calibration [65.10149293133846]
  言語モデル(LM)は、自然言語生成において有望な性能を示している。 与えられた入力に応答する際の不確実性を正確に定量化することは重要である。 我々は、LMの確実性と信頼性を評価するために、Rank$-$Calibration$と呼ばれる斬新で実用的なフレームワークを開発する。
  論文  参考訳（メタデータ） (2024-04-04T02:31:05Z)
• Leveraging Prototypical Representations for Mitigating Social Bias without Demographic Information [50.29934517930506]
  DAFairは、言語モデルにおける社会的バイアスに対処する新しいアプローチである。 偏見を緩和するために、原型的人口統計テキストを活用し、微調整プロセス中に正規化用語を取り入れる。
  論文  参考訳（メタデータ） (2024-03-14T15:58:36Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• Diversity Measures: Domain-Independent Proxies for Failure in Language Model Queries [0.1657441317977376]
  本稿では,与えられたプロンプトに対する応答の多様性に基づいて,大規模言語モデルの応答における誤りの定量化手法を提案する。 複数のデータセットと温度設定に関する一連の実験を行い、これらの測定が失敗の確率と強く相関していることを示す。
  論文  参考訳（メタデータ） (2023-08-22T04:49:23Z)
• Investigating the Effects of Fairness Interventions Using Pointwise Representational Similarity [12.879768345296718]
  本稿では,PNKA(Pointwise Normalized Kernel Alignment)を提案する。 PNKAは、偏りが個人の中間表現にどのように影響するかを測定することで、これまで未知の洞察を明らかにしている。 PNKAを用いて表現を評価することにより、これらの表現に基づいて訓練されたMLモデルの挙動を確実に予測できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T09:40:08Z)
• Balancing out Bias: Achieving Fairness Through Training Reweighting [58.201275105195485]
  自然言語処理におけるバイアスは、性別や人種などの著者の特徴を学習するモデルから生じる。 既存のバイアスの緩和と測定方法は、著者の人口統計学と言語変数の相関を直接考慮していない。 本稿では,インスタンス再重み付けを用いたバイアス対策法を提案する。
  論文  参考訳（メタデータ） (2021-09-16T23:40:28Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。