論文の概要: Covariate Selection for Doubly Robust Double/debiased Machine Learning Estimators for Causal Inference

• arxiv url: http://arxiv.org/abs/2609.17238v1
• Date: Tue, 15 Sep 2026 14:18:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.56445
• Title: Covariate Selection for Doubly Robust Double/debiased Machine Learning Estimators for Causal Inference
• Title（参考訳）: 因果推論のための二重/退化型機械学習推定器の共変量選択
• Abstract要約: ダブル/デバイアスド機械学習(Double/debiased machine learning, DML)は、正規化を緩和しバイアスを過度に適合させることで、因果推論に機械学習(ML)を使用することを容易にする。 本稿では、確率スコア(PS)と結果MLモデルによって選択された共変数の結合を用いて、両方のモデルを再推定する。 その結果, MLに基づく推定は, ラッソに有利な条件下であっても, 従来のDR推定を均一に上回るものではなく, ポスト・ラッソは標準のラッソよりも難解なバイアスを減少させることがわかった。
• 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: High-dimensional data create challenges for causal effect estimation because identifying the covariates needed for correct model specification becomes increasingly difficult. Double/debiased machine learning (DML) facilitates the use of machine learning (ML) for causal inference by mitigating regularization and overfitting bias, but comparatively less attention has been given to covariate selection in relation to the double robustness (DR) property possessed by some DML estimators. In particular, ML-based covariate selection may result in differential covariate selection or in misspecification of both models, thereby limiting the practical utility of the DR property. To address these issues, we propose using the union of the covariates selected by the propensity score (PS) and outcome ML models to re-estimate both models. Simulation results show that using the union consistently reduces more confounding bias than using separate selected covariate sets. The results also show that ML-based estimation does not uniformly outperform conventional DR estimation, even under conditions favorable to the Lasso, and that post-Lasso reduces more confounding bias than standard Lasso. These findings demonstrate that successful use of ML for causal inference depends not only on the ML algorithm but also on how the information obtained through covariate selection is incorporated into causal effect estimation.
• Abstract（参考訳）: 高次元データは、正しいモデル仕様に必要な共変量を特定することがますます困難になるため、因果効果推定のための課題を生み出す。 DML(Double/debiased Machine Learning)は、正規化を緩和しバイアスを過度に適合させることにより、因果推論に機械学習(ML)を使用することを促進するが、一部のDML推定器が保有する二重頑健性(DR)特性に関連して、共変量選択にはあまり注意が払われていない。 特に、MLに基づく共変量選択は、微分共変量選択または両方のモデルの誤特定をもたらす可能性があるため、DR特性の実用性は制限される。 これらの問題に対処するために、確率スコア(PS)と結果MLモデルによって選択された共変数の結合を用いて、両方のモデルを再推定する。 シミュレーションの結果、結合を用いると、選択された共変量集合を使用するよりも、相反するバイアスが一貫して減少することが示された。 また、MLに基づく推定は、ラッソに有利な条件下であっても、従来のDR推定を均一に上回るものではなく、ポストラッソは標準のラッソよりも難解なバイアスを減少させることを示した。 これらの結果から, 因果推論におけるMLの有効利用は, MLアルゴリズムだけでなく, 共変量選択によって得られた情報を因果効果推定に組み込む方法にも依存することが示唆された。

関連論文リスト

• Decoupling the Effect of Chain-of-Thought Reasoning: A Human Label Variation Perspective [60.45433515408158]
  長いチェーン・オブ・ソート(CoT)がトップオプションの決定的決定要因となるが、あいまいなタスクの粒度分布キャリブレータとして機能しないことを示す。 CoTは分布アライメントを改善するが、CoTの内容によって最終的な精度が決定される。
  論文  参考訳（メタデータ） (2026-01-06T16:26:40Z)
• Mitigating Spurious Correlations in LLMs via Causality-Aware Post-Training [57.03005244917803]
  大規模言語モデル (LLMs) は、事前学習中に得られた素早い相関関係により、アウト・オブ・ディストリビューション (OOD) のサンプルで失敗することが多い。 ここでは、因果認識後学習(CAPT)を通して、このような素因的相関を緩和することを目的とする。 公式因果推論ベンチマークCLadderと論理推論データセットPrOntoQAの実験により、CAPTで微調整された3Bスケールの言語モデルでは、従来のSFTおよびより大きなLLMを分散処理(ID)およびOODタスクで上回る結果が得られた。
  論文  参考訳（メタデータ） (2025-06-11T06:30:28Z)
• Gradient Extrapolation for Debiased Representation Learning [7.183424522250937]
  GERNE(Gradient Extrapolation for Debiased Representation Learning)は、未知の属性トレーニングケースと未知の属性トレーニングケースの両方において、バイアス付き表現を学習するように設計されている。 解析の結果,外挿した勾配がバッチ勾配に向けられた場合,緩やかな相関が小さくなると,脱バイアスモデルを学ぶためのトレーニングを効果的に導くことが示唆された。
  論文  参考訳（メタデータ） (2025-03-17T14:48:57Z)
• Causal Invariance Learning via Efficient Optimization of a Nonconvex Objective [12.423111378195667]
  本稿では,変数間の因果関係を求める新しい手法を提案する。 本手法は標準勾配法に収束することを示す。 我々のアルゴリズムは徹底的な探索を回避し、特に共変数が多ければなおさらである。
  論文  参考訳（メタデータ） (2024-12-16T15:11:02Z)
• Mechanism Learning: reverse causal inference in the presence of multiple unknown confounding through causally weighted Gaussian mixture models [0.880899367147235]
  機械学習(ML)予測モデルの最大の制限は、変数間の因果関係ではなく、関連性を取り戻すことである。 本稿では、因果重み付きガウス混合モデル(CW-GMM)を用いて観測データを分解する機構学習を提案する。 提案手法は,完全合成,半合成,実世界のデータセットを用いて,信頼性,不偏性,因果的ML予測器を検出できることを実証する。
  論文  参考訳（メタデータ） (2024-10-26T03:34:55Z)
• Selecting Robust Features for Machine Learning Applications using Multidata Causal Discovery [7.8814500102882805]
  時系列データセットのアンサンブルを同時に処理するマルチデータ因果的特徴選択手法を提案する。 このアプローチでは、Tigramite Pythonパッケージに実装されているPC1またはPCMCIの因果発見アルゴリズムを使用する。 この枠組みを西太平洋熱帯サイクロンの統計的強度予測に適用する。
  論文  参考訳（メタデータ） (2023-04-11T15:43:34Z)
• Benign-Overfitting in Conditional Average Treatment Effect Prediction with Linear Regression [14.493176427999028]
  線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。 一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
  論文  参考訳（メタデータ） (2022-02-10T18:51:52Z)
• A Data-driven feature selection and machine-learning model benchmark for the prediction of longitudinal dispersion coefficient [29.58577229101903]
  縦方向分散(LD)係数の正確な予測は、関連するシミュレーションにおいて性能の飛躍をもたらすことができる。 本研究では, 蒸留した局所最適値と代表MLモデルとの数値比較により, 大域的最適特徴集合を提案した。 その結果,サポートベクタマシンは他のモデルよりも大幅に性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2021-07-16T09:50:38Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• An Investigation of Why Overparameterization Exacerbates Spurious Correlations [98.3066727301239]
  この動作を駆動するトレーニングデータの2つの重要な特性を特定します。 モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
  論文  参考訳（メタデータ） (2020-05-09T01:59:13Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。