論文の概要: Beyond the Illusion of Power: Calibrating Quasi-Experiments in Observational IS

• arxiv url: http://arxiv.org/abs/2609.27299v1
• Date: Wed, 23 Sep 2026 03:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.859616
• Title: Beyond the Illusion of Power: Calibrating Quasi-Experiments in Observational IS
• Title（参考訳）: パワーの幻想を超えて:観測ISにおける準実験の校正
• Abstract要約: 我々は,9837のパラメータ条件(約980万データセット)に関するモンテカルロの研究を報告する。 rhoを知ればAR(1)対応の電卓でシリアル相関成分を回収できる。 IV の場合、第1段F を固定すると、より大きい N は出力を上げず、排他バイアスを抑えないが、固定された機器では第1段F を鋭くすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information systems (IS) researchers increasingly use quasi-experimental methods such as difference-in-differences (DiD) and instrumental variables (IV) to recover causal effects from observational panel data. Power calculations that justify these designs assume i.i.d. errors, but the deeper problem is what even a cluster-robust calculator cannot see. We report a Monte Carlo study over 9837 parameter conditions (approx 9.8 million datasets) and decompose the planned-versus-achieved power gap. The serial-correlation component is recoverable by an AR(1)-aware calculator when rho is known, and partially when rho must be estimated from short pre-periods, but panel attrition, staggered-adoption bias, and parallel-trends pretesting are captured by no closed-form formula; exogenous attrition alone costs approx 8 to 11 percentage points at the few-hundred-to-thousand sample sizes IS studies use. Treatment-correlated, outcome-dependent attrition instead induces bias, not just power loss. For IV, holding first-stage F fixed, larger N neither raises power nor curbs exclusion bias, though with a fixed instrument more data does sharpen the first stage, so identification rests on instrument strength, not sample size.
• Abstract（参考訳）: 情報システム(IS)研究者は、ディファレンス・イン・ディファレンス(DiD)やインストゥルメンタル・変数(IV)といった準実験的な手法を用いて、観測パネルデータから因果効果を回復する傾向にある。 これらの設計を正当化する電力計算は、i.d.エラーを仮定するが、より深い問題は、クラスタローバスト電卓でさえ見ることができないことである。 我々は,9837のパラメータ条件(約980万データセット)に関するモンテカルロの研究を報告する。 直列相関成分は、rhoが知られているときにAR(1)対応の電卓で回復可能であり、rhoが短い前周期から推定しなければならない部分もあるが、パネル誘引、スタガード・アダプションバイアス、およびパラレルトレンド事前試験は、クローズドフォーム式なしで取得される。 治療に関連があり、結果に依存した誘惑は、単に電力損失だけでなくバイアスを引き起こす。 IV の場合、第1段F を固定すると、より大きな N は出力を上げず、排他バイアスを抑えないが、固定された機器では第1段F を鋭くするので、識別は標本サイズではなく機器の強度に依存する。

関連論文リスト

• A Reproducibility Study of Partial Residual Ablations in Pre-LN Transformers [0.0]
  本稿では,2つの尺度(10Mおよび124Mパラメータ)でトレーニングしたプレLN GPT型変圧器の部分的残差改善について検討する。 注意残差接続、フィードフォワード残差接続、またはその両方を選択的に除去することで、4つのアーキテクチャ構成を比較する。
  論文  参考訳（メタデータ） (2026-08-06T21:29:46Z)
• Doubly Robust Functional Representation Learning for Longitudinal Causal Inference with Irregular Histories [0.8870188183999853]
  本研究では,不規則な歴史を観測・歴史体制のための推定対象状態に変換するために,Douubly Robust Functional Representation Learning (DR-FRL)を提案する。 DR-FRLは、不規則な歴史を観測された歴史体制のための推定可能な状態に変える、クロスフィットなワークフローである。 VitalDBの監査によると、DR-FRLは不規則な実験室の点雲を使用でき、有用な負の発見を提供する。
  論文  参考訳（メタデータ） (2026-07-30T17:33:42Z)
• 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)
• A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
  観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。 既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。 ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
  論文  参考訳（メタデータ） (2025-01-15T15:58:16Z)
• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Correct block-design experiments mitigate temporal correlation bias in EEG classification [68.85562949901077]
  [1]の主主張は極めて過大評価されており、他の分析は間違った方法論的選択によって深刻な欠陥を負っていることを示す。 脳波の時間相関が2つの実験環境で同じモデルをテストすることによって分類精度に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:25:21Z)

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。