論文の概要: Exponential Family Synthetic Controls

• arxiv url: http://arxiv.org/abs/2609.23970v1
• Date: Mon, 21 Sep 2026 00:44:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.035078
• Title: Exponential Family Synthetic Controls
• Title（参考訳）: 指数型家族合成制御
• Abstract要約: EFSCは、データセットのパネルのための合成制御の分散バージョンである。 介入前分布と介入後分布の相違に基づく因果推定法を提案する。 我々は,医療保険法に基づくメディケイドの拡大について調査するためにEFSCを適用した。
• 参考スコア（独自算出の注目度）: 17.01660215361933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop exponential family synthetic controls (EFSC), a distributional version of synthetic controls for a panel of datasets. Each cell of the panel corresponds to a dataset drawn from an exponential family whose natural parameters factorize probabilistically across units and times. We estimate the latent factors using black-box variational inference. This replaces the usual weighted-average view of synthetic controls with a flexible probabilistic model that operates on full distributions. We propose causal estimands based on divergences between pre- and post-intervention distributions induced by the posterior of the natural parameters, together with distributional placebo tests to support causal inference and assess the significance of the estimated effects. We validate the proposed framework on synthetic and real data. Across a variety of exponential-family distributions, EFSC accurately recovers causal effects induced by exponential tilts, together with the corresponding divergences between treated and counterfactual distributions. The framework also captures effects induced by structural perturbations of the latent factors and by heavy-tailed noise contamination. Finally, we apply EFSC to study the expansion of Medicaid under the Affordable Care Act (ACA) and its impact on the distribution of health insurance coverage across U.S. states. Code is available at https://github.com/blei-lab/efsc.
• Abstract（参考訳）: 本研究では,指数関数型家族合成制御(EFSC)を開発した。 パネルの各セルは指数関数族から引き出されたデータセットに対応しており、自然パラメータは単位と時間にまたがって確率的に分解される。 ブラックボックス変分推定を用いた潜在因子を推定する。 これは、合成制御の通常の重み付け平均ビューを、完全な分布で動作する柔軟な確率モデルに置き換える。 本研究では, 自然パラメータの後方から誘導される干渉前分布と干渉後分布の相違に基づく因果推定法と, 因果推論をサポートし, 推定効果の意義を評価するための分布プラセボ試験を提案する。 提案手法は,合成データと実データについて検証する。 EFSCは様々な指数族分布全体にわたって、指数傾斜によって引き起こされる因果効果を、処理された分布と反事実分布の相違とともに正確に回復する。 このフレームワークはまた、潜伏因子の構造的摂動と重尾ノイズ汚染によって引き起こされる影響を捉えている。 最後に,医療保険法(Affordable Care Act:ACA)に基づくメディケイドの拡大と,米国各州における医療保険のカバー範囲の分布への影響について検討する。 コードはhttps://github.com/blei-lab/efsc.comで入手できる。

関連論文リスト

• Causal Inference for Sequential Settings under Interference and Latent Confounding [24.679587214571345]
  結果干渉下での因果推論を, 連続的, 観察的設定で検討した。 我々は、N 単位上のバイナリ結果が T 時間ステップでマルコビアンとなるような設定を考える。 パネルデータ文献と同様に、潜伏した共同設立者は低ランクの要素構造を持つようにモデル化されている。
  論文  参考訳（メタデータ） (2026-07-16T12:51:45Z)
• Controllable Generative Sandbox for Causal Inference [9.416664327739516]
  CausalMixは因果推論のための変分生成フレームワークである。 安定した微粒な因果制御を提供しながら、混合型テーブル上で最先端の分散メトリクスを実現する。 転移性キャスティング抵抗性前立腺癌治療における安全性の比較検討において実用的有用性を示した。
  論文  参考訳（メタデータ） (2026-03-03T23:37:05Z)
• CausalWrap: Model-Agnostic Causal Constraint Wrappers for Tabular Synthetic Data [4.08271266107383]
  CausalWrapは、事前訓練されたベースジェネレータに部分的な因果知識を注入するモデルに依存しないラッパーである。 CWは、ベースジェネレータからのサンプルに適用された軽量で微分可能なポストホック補正マップを学習する。 CWは多様なベースジェネレータ間の因果性を改善する。
  論文  参考訳（メタデータ） (2026-03-02T15:59:46Z)
• Causal Graph Learning via Distributional Invariance of Cause-Effect Relationship [54.575090553659074]
  本研究では,観測変数数の2次複雑性と因果関係を効率的に発見するアルゴリズムを開発した。 大規模データセットの様々なベンチマークによる実験は、既存の研究よりも優れた、あるいは同等な性能を示している。
  論文  参考訳（メタデータ） (2026-02-03T10:26:16Z)
• A Semiparametric Approach to Causal Inference [2.092897805817524]
  因果推論において、重要な問題は介入や治療の効果を定量化することである。 本稿では, 半パラメトリック密度比モデル(DRM)を用いて, 対物分布の特徴付けを行う。 我々のモデルは、対物分布に関する厳密なパラメトリック仮定を避けることで柔軟性を提供する。
  論文  参考訳（メタデータ） (2024-11-01T18:03:38Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Bayesian Counterfactual Mean Embeddings and Off-Policy Evaluation [10.75801980090826]
  最終治療効果の期待を推定するための3つの新しいベイズ的手法を提案する。 これらの手法は、考慮された不確実性の原因が異なるため、2つのデータソースを組み合わせることが可能である。 我々はこれらの考え方を非政治評価フレームワークに一般化する。
  論文  参考訳（メタデータ） (2022-11-02T23:39:36Z)
• Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
  データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。 既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。 本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
  論文  参考訳（メタデータ） (2022-03-11T10:47:16Z)
• Pseudo-Spherical Contrastive Divergence [119.28384561517292]
  エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。 PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
  論文  参考訳（メタデータ） (2021-11-01T09:17:15Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)

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。