論文の概要: When Prediction Error Is Not Enough: Evaluating Nuisance-Function Prediction for Causal Estimation

• arxiv url: http://arxiv.org/abs/2609.00071v2
• Date: Mon, 07 Sep 2026 16:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 22:37:20.32569
• Title: When Prediction Error Is Not Enough: Evaluating Nuisance-Function Prediction for Causal Estimation
• Title（参考訳）: 予測誤差が十分でない場合:因果推定のためのニュアンス・ファンクション予測の評価
• Authors: Cong Cao,
• Abstract要約: モンテカルロシミュレーションを用いて,部分線形モデルにおける予測誤差と因果推定器の性能の関係について検討した。 予測誤差はメソッドや設定の因果バイアスを常に追跡せず,最適点推定性能を持つ手法は必ずしも最良信頼区間のカバレッジを有していなかった。 これらの結果から,予測誤差はニュアンス関数推定に有用であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.7451495547398679
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction error is widely used to evaluate nuisance-function estimators in causal inference, but its relationship with causal estimator performance may differ across performance measures. We studied this question in a partially linear model using Monte Carlo simulations. We compared ordinary least squares (OLS), generalized additive models (GAMs), XGBoost, and Double Machine Learning with XGBoost (DML-XGBoost), evaluating nuisance-function prediction error, bias, RMSE, and 95\% confidence interval coverage. We also examined a simple joint-error measure based on the absolute cross-product of estimation errors from the exposure and outcome nuisance functions. Across the simulated settings, XGBoost had the lowest RMSE among the non-oracle methods, while DML-XGBoost generally provided better confidence interval coverage. Prediction error did not consistently track causal bias across methods and settings, and the method with the best point-estimation performance did not necessarily have the best confidence interval coverage. The joint-error measure was only weakly associated with causal bias and did not provide a useful standalone measure of causal performance. These results suggest that prediction error is useful for assessing nuisance-function estimation, but it should not be treated as a direct measure of the quality of the resulting causal estimator.
• Abstract（参考訳）: 推定誤差は、因果推定におけるニュアンス関数推定器の評価に広く用いられているが、因果推定器の性能との関係は性能指標によって異なる可能性がある。 我々はモンテカルロシミュレーションを用いてこの問題を部分的に線形モデルで研究した。 我々は、通常最小二乗法(OLS)、一般化加算モデル(GAM)、XGBoost、Double Machine Learning with XGBoost(DML-XGBoost)を比較し、ニュアンス関数予測誤差、バイアス、RMSE、95%信頼区間カバレッジを評価した。 また,評価誤差の絶対的相互積に基づく簡易な共同エラー尺度を,露出および結果ニュアンス関数から検討した。 シミュレーション設定全体では、XGBoostは非オラクル法の中で最低のRMSEを持ち、DML-XGBoostは一般に信頼性区間のカバレッジを向上した。 予測誤差はメソッドや設定の因果バイアスを常に追跡せず,最適点推定性能を持つ手法は必ずしも最良信頼区間のカバレッジを有していなかった。 共同テロ対策は因果バイアスと弱い関係しか持たず, 因果性の評価には有用ではなかった。 これらの結果から,予測誤差はニュアンス関数推定に有用であることが示唆された。

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)
• 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)
• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials [0.0]
  モデル誤差の定量化には機械学習原子間ポテンシャル(MLIP)の不確実性推定が不可欠である。 予測的GPR標準偏差やアンサンブルに基づく不確実性を含む,GPRに基づくMLIPの不確実性の評価を行った。
  論文  参考訳（メタデータ） (2024-10-27T10:06:09Z)
• Robust Bayesian Inference for Berkson and Classical Measurement Error Models [9.712913056924826]
  測定誤差を扱うための非パラメトリックフレームワークを提案する。 古典的誤りモデルとバークソン誤りモデルの両方に適している。 回帰モデルの種類に応じて損失関数の選択に柔軟性を提供する。
  論文  参考訳（メタデータ） (2023-06-02T11:48:15Z)
• On Calibrated Model Uncertainty in Deep Learning [0.0]
  損失校正されたベイジアンフレームワークの近似推論を,ドロップウェイトに基づくベイジアンニューラルネットワークに拡張する。 損失校正された不確実性から得られる決定は、簡単な代替手段よりも、診断性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-06-15T20:16:32Z)
• Learning to Estimate Without Bias [57.82628598276623]
  ガウスの定理は、重み付き最小二乗推定器は線形モデルにおける線形最小分散アンバイアスド推定(MVUE)であると述べている。 本稿では、バイアス制約のあるディープラーニングを用いて、この結果を非線形設定に拡張する第一歩を踏み出す。 BCEの第二の動機は、同じ未知の複数の推定値が平均化されてパフォーマンスが向上するアプリケーションにおいてである。
  論文  参考訳（メタデータ） (2021-10-24T10:23:51Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。