論文の概要: Hierarchical Gaussian Processes for Survey Weighting: Local Equivalent Weights in Structured Populations
- arxiv url: http://arxiv.org/abs/2610.20321v2
- Date: Sat, 17 Oct 2026 01:37:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 21:22:33.490061
- Title: Hierarchical Gaussian Processes for Survey Weighting: Local Equivalent Weights in Structured Populations
- Title（参考訳）: サーベイウェイト化のための階層的ガウス過程:構造人口における局所的等価ウェイト
- Abstract要約: 回帰に基づく調査重み付けは、モデルに基づく人口推定と等価重みによる設計に基づく推論を結びつける。
本研究では,階層型ガウス過程(HGP)回帰に基づくサーベイウェイトリングフレームワークを開発し,グループレベルの構造的効果とカーネルベーススムースメントを組み合わせ,関連セル間で情報を共有する。
- 参考スコア（独自算出の注目度）: 8.883733362171034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Regression-based survey weighting connects model-based population estimation with design-based inference through equivalent weights. For nonlinear models, equivalent weights can be defined locally through the sensitivity of a poststratified population estimator. However, conventional regression models may inadequately capture nonlinear relationships and complex interactions across sparse poststratification cells. We develop a survey-weighting framework based on hierarchical Gaussian process (HGP) regression, combining structured group-level effects with kernel-based smoothing to share information across related cells. We derive Gaussian posterior prediction formulas that exploit the structured covariance representation to reduce computational costs. We also establish a uniform convergence result for the posterior predictive mean under stated regularity conditions and construct local equivalent weights by matching the first-order sensitivity of a plug-in poststratified estimand to that of a weighted average of fitted response means, with both derivatives taken with respect to the latent mean-scale vector. Simulations show that HGP achieves lower population-weighted prediction error under nonparametric structure, whereas logistic regression performs well under correct parametric specification. Additional analyses examine sample size, frame coverage, subgroup prediction, and population-mean agreement. An application to the Future of Families and Child Wellbeing Study illustrates the method. Overall, this work extends local equivalent-weight construction to nonparametric modeling and provides a computational framework and conditional theoretical results for survey weighting in structured, sparse populations.
- Abstract（参考訳）: 回帰に基づく調査重み付けは、モデルに基づく人口推定と等価重みによる設計に基づく推論を結びつける。
非線形モデルの場合、同値な重みはポスト層化集団推定器の感度によって局所的に定義することができる。
しかし、従来の回帰モデルでは、スパース後層間における非線形関係や複雑な相互作用が不十分である。
本研究では,階層型ガウス過程(HGP)回帰に基づくサーベイウェイトリングフレームワークを開発し,グループレベルの構造的効果とカーネルベーススムースメントを組み合わせ,関連セル間で情報を共有する。
計算コストを削減するために、構造的共分散表現を利用するガウス後続予測式を導出する。
また,正則性条件下での後方予測平均に対する一様収束結果を確立し,プラグイン後推定値の1次感度と重み付き応答平均の重み付き平均値とを一致させて局所等価重みを構築する。
シミュレーションにより,HGPは非パラメトリック構造下での集団重み付き予測誤差を低くし,ロジスティック回帰は正しいパラメトリック仕様下では良好に動作することが示された。
追加分析では、サンプルサイズ、フレームカバレッジ、サブグループ予測、および集団平均合意について検討した。
家庭の未来と児童福祉研究への応用が本手法の具体例である。
全体として、この研究は局所的な等価重み付けを非パラメトリックなモデリングに拡張し、構造化された疎い集団における調査重み付けのための計算フレームワークと条件付き理論的結果を提供する。
関連論文リスト
- Distributional Regression for Arbitrary Response Variables Using ReLU Neural Networks [10.091168922595784]
本稿では、任意の応答変数を持つ分散回帰のための統一的なフレームワークを開発する。
我々はスカラーしきい値やユークリッド構造に頼るのではなく、測定可能な集合によってインデックス付けされた条件付き事象確率をモデル化する。
論文 参考訳（メタデータ） (2026-10-12T04:02:15Z) - Kernel-Based Functional Balancing for Causal Inference with Compositional Treatments [3.827469920771502]
合成処理による因果効果の推定について検討し, 露光は単純度上にあり, 推定値は2進値ではなく2進値上で定義される。
論文 参考訳（メタデータ） (2026-06-15T21:24:58Z) - Covariate-assisted Grade of Membership Models via Shared Latent Geometry [0.7939348535496568]
メンバーシップモデルのグレードは、個人レベルの混合メンバーシップスコアを通して多変量カテゴリデータを解析するための柔軟な潜在変数モデルである。
補助共変量体を組み込む従来のアプローチは、一般に完全に指定された関節の確率に依存しており、計算的に集中しており、誤特定に敏感である。
我々は,共変量支援型メンバシップモデルを導入し,共変量情報を統合する。
論文 参考訳（メタデータ） (2026-01-24T02:30:36Z) - Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。
共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
論文 参考訳（メタデータ） (2025-11-23T00:50:33Z) - Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳（メタデータ） (2025-09-29T19:50:19Z) - Deep Learning Methods for the Noniterative Conditional Expectation G-Formula for Causal Inference from Complex Observational Data [3.0958655016140892]
g-formula は観測データを用いて持続的治療戦略の因果効果を推定するために用いられる。
パラメトリックモデルはモデルの誤特定を受けており、バイアスのある因果推定をもたらす可能性がある。
NICE g-formula 推定器のための統合型ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-28T21:00:46Z) - Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。
我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
論文 参考訳（メタデータ） (2024-07-11T13:28:34Z) - Aggregation Weighting of Federated Learning via Generalization Bound
Estimation [65.8630966842025]
フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。
上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
論文 参考訳（メタデータ） (2023-11-10T08:50:28Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。
正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。
カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文 参考訳（メタデータ） (2020-05-20T15:01:03Z)
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。