論文の概要: Estimating Average Treatment Effects with Projected Instrumental Variables

• arxiv url: http://arxiv.org/abs/2611.00705v1
• Date: Sat, 31 Oct 2026 06:59:30 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:59:01.230595
• Title: Estimating Average Treatment Effects with Projected Instrumental Variables
• Title（参考訳）: 予測機器変数による平均処理効果の推定
• Abstract要約: 本研究では,従来の楽器変数による因果同定の仮定を緩和する楽器変数フレームワークを開発する。 我々はリース表現に基づく別の逆問題定式化を提供する。 提案するフレームワークは,無効な機器変数と機器間差分を結合する。
• 参考スコア（独自算出の注目度）: 2.8575516056239576
• License:
• Abstract: In this paper, we develop a projected instrumental variable framework that relaxes conventional assumptions for causal identification with instrumental variables. Building on the interpretation of conditional expectation as an orthogonal projection in a Hilbert space, the framework replaces the conditional expectation operator with a general projection operator. We provide an alternative inverse problem formulation based on the Riesz representation. Drawing on semiparametric efficiency theory, we further develop debiased and adaptive machine learning methods for estimation and inference. The proposed framework connects invalid instrumental variables to instrumented difference-in-differences. We also examine invalid projected instrumental variables and discuss their relationship to existing methods. Simulation studies and real data analysis demonstrate that the proposed methods perform favorably compared with existing approaches.
• Abstract（参考訳）: 本稿では,楽器変数を用いた因果同定の従来の仮定を緩和する,予測可能な楽器変数フレームワークを開発する。 ヒルベルト空間における直交射影としての条件予想の解釈に基づいて、このフレームワークは条件期待作用素を一般射影作用素に置き換える。 我々はリース表現に基づく別の逆問題定式化を提供する。 半パラメトリック効率理論に基づいて、推定と推論のためのバイアス付き適応機械学習手法をさらに発展させる。 提案するフレームワークは,無効な機器変数と機器間差分を結合する。 また, 予測不能な機器変数についても検討し, 既存手法との関係について考察する。 シミュレーション研究と実データ解析は,提案手法が既存手法と比較して良好に動作することを示す。

関連論文リスト

• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Towards regularized learning from functional data with covariate shift [3.072411352294816]
  本稿では,ベクトル値回帰における教師なし領域適応のための一般化正規化フレームワークについて検討する。 仮説空間を制限することにより,関数的出力を扱える実用的な演算子学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-01-28T20:30:05Z)
• Identification and Debiased Learning of Causal Effects with General Instrumental Variables [5.00731378650601]
  マルチカテゴリまたは連続的な機器変数を用いた識別と学習のための一般的な非パラメトリックフレームワークを開発する。 偏りのある機械学習を用いて、一貫性のある、効率的で正常な推定器を導出する。 本研究では,シミュレーション研究を取り入れ,職種訓練パートナーシップ法プログラムから得られた実データを分析することで,提案手法を実証する。
  論文  参考訳（メタデータ） (2025-10-23T10:10:11Z)
• Representation-Aware Distributionally Robust Optimization: A Knowledge Transfer Framework [6.529107536201152]
  本稿では,分散シフトに対処する際の予測表現を考慮に入れた,分散的ロバスト学習のための新しいフレームワークを提案する。 我々は,READが輸送コストに多次元アライメントパラメータを埋め込むことで,情報表現に関連する方向に沿った摂動を差分的に回避できることを示した。 我々は、広範囲なシミュレーションと実世界の研究を通して、我々のフレームワークの有効性を実証することで結論付ける。
  論文  参考訳（メタデータ） (2025-09-11T11:42:17Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• A Meta-learner for Heterogeneous Effects in Difference-in-Differences [17.361857058902494]
  条件付き平均処理効果(CATT)の評価のための二重頑健なメタラーナを提案する。 我々のフレームワークは、汎用機械学習を用いて、興味のある変数の任意のサブセットを条件付ける際に、CATTの柔軟な推定を可能にする。
  論文  参考訳（メタデータ） (2025-02-07T07:04:37Z)
• Adaptive Conformal Inference by Betting [51.272991377903274]
  データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。 適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。 本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
  論文  参考訳（メタデータ） (2024-12-26T18:42:08Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• 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。