論文の概要: Cross-Fitting Under Nonregularity: Normality and Inference via Locality

• arxiv url: http://arxiv.org/abs/2610.02944v1
• Date: Fri, 02 Oct 2026 07:37:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.255364
• Title: Cross-Fitting Under Nonregularity: Normality and Inference via Locality
• Title（参考訳）: 非正則性下におけるクロスフィッティング:局所性による正規性と推論
• Abstract要約: クロスフィッティングは多くの応用研究において日常的である。 私は、非正則性にも拘わらず、大規模な推定器群が依然として中心極限定理を満たすことを示した。 本稿では,この相関関係を推定し,名目カバレッジを実現するための信頼区間を新たに構築する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-fitting is routine in much of applied research. While conventional confidence intervals that ignore cross-fold dependence are asymptotically valid in several settings, they undercover in many applications that share a common form of nonregularity: from the classic cross-validation problem of testing whether a fitted model outperforms another, to testing for heterogeneous treatment effects with machine learning, to estimating the value of a potentially non-unique optimal treatment regime. Exploiting a new locality condition, I show that a large class of cross-fitting estimators still satisfies a central limit theorem despite the nonregularity, but with an asymptotic variance that must be adjusted for the cross-fold correlation. Then, I propose a method for estimating this correlation and construct new confidence intervals that attain asymptotically nominal coverage. Finally, I show that the proposed confidence intervals attain approximately nominal coverage in a simulation study with random forests and neural networks.
• Abstract（参考訳）: クロスフィッティングは多くの応用研究において日常的である。 クロスフォールド依存を無視する従来の信頼区間は、いくつかの設定で漸近的に有効であるが、それらは共通の非正規性の形式を共有する多くのアプリケーションにおいて発見されている。 新しい局所性条件をエクスプロイトすると、多種多様なクロスフィット推定器は、非正則性にもかかわらず中心極限定理を満たすが、クロスフォールド相関のために調整しなければならない漸近分散を持つことを示す。 そこで本研究では,この相関関係を推定し,漸近的に名目的カバレッジが得られる信頼区間を新たに構築する手法を提案する。 最後に,無作為な森林やニューラルネットワークを用いたシミュレーション研究において,提案した信頼区間がほぼ一意に網羅されていることを示す。

関連論文リスト

• Proximal Mediation Analysis with Hidden Recanting Witnesses [6.9475003037956435]
  多くの実践的な設定は、治療によって引き起こされた仲介者-アウトカムの共同設立者として定義される証人が欠席しているか、または完全に知られた先駆者である、という仮定に依存している。 本研究は,未確認の目撃者の存在下での経路特異的な影響を特定することの課題に対処する,3つの新しい識別戦略を開発する。
  論文  参考訳（メタデータ） (2026-06-16T07:07:06Z)
• Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
  低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。 提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
  論文  参考訳（メタデータ） (2025-07-23T11:58:54Z)
• In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
  償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。 実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
  論文  参考訳（メタデータ） (2025-02-17T10:00:24Z)
• Smooth Sailing: Lipschitz-Driven Uncertainty Quantification for Spatial Association [15.706262708190643]
  本研究は, モデル不特定性や非ランダムな位置の面において, 信頼区間を構築するための既存の手法が, 名目上は適用できないことを示す。 本研究では,空間的環境下での関連性に対して,有効かつ頻繁な信頼区間を構築する手法を提案する。 我々のアプローチは、この設定における名目上のカバレッジを保証し、実・模擬両方の実験において既存の技術より優れています。
  論文  参考訳（メタデータ） (2025-02-09T23:20:03Z)
• Counterfactual inference in sequential experiments [17.817769460838665]
  複数の単位に複数の時間点に対する処理を割り当てるシーケンシャルな設計実験のアフタースタディ統計的推測を考察する。 我々のゴールは、最小限のスケールで、カウンターファクト平均に対する推論保証を提供することです。 我々は,いくつかのシミュレーションと,モバイル医療臨床試験HeartStepsのデータを含むケーススタディを通して,我々の理論を解説する。
  論文  参考訳（メタデータ） (2022-02-14T17:24:27Z)
• 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)
• CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
  強化学習における高信頼行動非依存のオフ政治評価について検討する。 様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
  論文  参考訳（メタデータ） (2020-10-22T12:39:11Z)
• Cross-validation Confidence Intervals for Test Error [83.67415139421448]
  この研究は、クロスバリデーションのための中心極限定理と、学習アルゴリズムの弱い安定性条件下での分散の一貫した推定器を開発する。 結果は、一般的な1対1のクロスバリデーションの選択にとって、初めてのものだ。
  論文  参考訳（メタデータ） (2020-07-24T17:40:06Z)
• 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。