論文の概要: COMPACT: Spectral Adjustment Scores from a Complete and Irreducible Causal Criterion

• arxiv url: http://arxiv.org/abs/2608.10305v1
• Date: Mon, 10 Aug 2026 23:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.837523
• Title: COMPACT: Spectral Adjustment Scores from a Complete and Irreducible Causal Criterion
• Title（参考訳）: CompACT:完全かつ未承認の因果判定基準からのスペクトル調整スコア
• Abstract要約: 比重スコアは2次処理を伴うスカラーに高次元の共変量を減らすことで調整を単純化することができる。 忠実さの下では、治療が結果を引き起こすか否かに真理が不変である最大の条件依存関係と条件依存関係を同定し、治療効果の推定を下流分析に残す。 適応変数を直接観察せずに十分な情報的プロキシが回復できることを示し、その結果の推定と因果誤差を特徴付けるとともに、完全な手順の妥当性を確立する。
• 参考スコア（独自算出の注目度）: 1.8275108630751837
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Observational datasets frequently contain many baseline variables, yet investigators estimating causal effects may not know which variables to include in the adjustment set. Confounding information may also be distributed weakly across many variables. Propensity scores can simplify adjustment by reducing high-dimensional covariates to a scalar with binary treatment. Although the propensity score is the coarsest balancing score, this distributional optimality does not imply maximal specificity over causal graphs. We instead examine all causal graphs among a candidate score, treatment, and outcome while allowing latent variables. Under faithfulness, we identify the largest set of unconditional and conditional dependence relations whose truth is invariant to whether treatment causes the outcome, leaving treatment-effect estimation to the downstream analysis. This criterion defines the maximally specific graph class expressible through these relations. We then develop the proposed algorithm, which operationalizes the criterion through a generalized eigenvalue problem whose score space targets the span of a balancing coordinate and an outcome-guided coordinate. We show that sufficiently informative proxies can recover this span without direct observation of the adjustment variables, characterize the resulting estimation and causal errors, and establish bootstrap validity for the complete procedure. Simulations and a real-data application demonstrate superior performance over several alternatives.
• Abstract（参考訳）: 観測データセットは、しばしば多くのベースライン変数を含むが、因果効果を推定する研究者は、調整セットにどの変数を含めるべきかを知らないかもしれない。 コンバウンディング情報は、多くの変数で弱みに分散されることもある。 比重スコアは2次処理を伴うスカラーに高次元の共変量を減らすことで調整を単純化することができる。 確率スコアは最も粗いバランススコアであるが、この分布最適性は因果グラフに対する最大特異性を含まない。 代わりに、潜在変数を許容しながら、候補スコア、治療、結果のすべての因果グラフを調べます。 忠実さの下では、治療が結果を引き起こすか否かに真理が不変である最大の条件依存関係と条件依存関係を同定し、治療効果の推定を下流分析に残す。 この基準は、これらの関係を通して表現可能な最大特異グラフクラスを定義する。 次に,スコア空間がバランス座標と結果誘導座標のスパンを対象とする一般化固有値問題を用いて,評価基準を演算するアルゴリズムを開発した。 適応変数を直接観察せずに十分な情報的プロキシが回復できることを示し、その結果の推定と因果誤差を特徴付けるとともに、完全な手順に対するブートストラップの有効性を確立した。 シミュレーションと実データアプリケーションは、いくつかの代替よりも優れた性能を示す。

関連論文リスト

• Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference [48.78219918881965]
  本稿では,ダウンストリーム誤差メトリックの局所曲率をマッチングすることにより,タスク固有の厳密なスコアリングルールを導出するフレームワークを提案する。 これを平均処理効果 (ATE) 推定に適用し, 閉形式損失と対応する正準確率写像を導出する。
  論文  参考訳（メタデータ） (2026-06-02T08:41:25Z)
• Coarsening Bias from Variable Discretization in Causal Functionals [0.8880611506199766]
  因果効果関数のクラスは連続変数の条件付き密度に対する積分を必要とする。 離散化は人口レベルの機能を変化させ、無視できない近似バイアスを引き起こす。 そこで本研究では,インバービン条件付き手法で結果の回帰を評価する簡易なバイアス低減関数を提案する。
  論文  参考訳（メタデータ） (2026-02-25T16:32:04Z)
• Near-Optimal Experiment Design in Linear non-Gaussian Cyclic Models [25.51914785590587]
  線形非ガウス構造方程式モデルから因果構造学習の問題を考察する。 近年の研究では、単に観測データを用いることで、因果グラフは置換等価クラスまでしか識別できないことが示されている。
  論文  参考訳（メタデータ） (2025-09-25T09:34:24Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• 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)
• 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)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。