論文の概要: Identification and Bounding of Joint Expectation over Potential Outcomes
- arxiv url: http://arxiv.org/abs/2611.07536v1
- Date: Thu, 05 Nov 2026 06:46:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.571758
- Title: Identification and Bounding of Joint Expectation over Potential Outcomes
- Title（参考訳）: 潜在的な成果に対するジョイント期待の同定とバウンディング
- Abstract要約: 本稿では,コモノトニック性と反コモノトニック性という,それらの識別に新たな仮定を与える。
これらの仮定がなければ、2つの幅広い函数のクラスに対する鋭い境界を導出し、個々の因果効果の有界なモーメントに対する新たな結果を得る。
シミュレーション研究や実世界のデータセットで、対応する推定手法を示し、それらを説明する。
- 参考スコア（独自算出の注目度）: 13.227097895806734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The joint expectation of functions of potential outcomes $(Y_1,Y_0)$ is a fundamental quantity in causal inference, particularly when investigating the variation or heterogeneity of causal effects. This paper provides novel assumptions for their identification: comonotonicity and countercomonotonicity. These assumptions offer a unified framework for their identification across discrete, continuous, and mixed outcome variables. In the absence of these assumptions, we derive sharp bounds for two broad classes of functions, yielding new results for bounding moments of individual causal effects, which are central to measuring effect heterogeneity. We present corresponding estimation methods and illustrate them in simulation studies and real-world datasets.
- Abstract（参考訳）: 潜在的な結果の関数の合同期待値 $(Y_1,Y_0)$ は因果推論における基本的な量であり、特に因果効果の変動や不均一性を調べるときである。
本稿では,コモノトニック性と反コモノトニック性という,それらの識別に新たな仮定を与える。
これらの仮定は、離散的、連続的、混合的な結果変数を識別するための統一的なフレームワークを提供する。
これらの仮定がなければ、2つの幅広い関数のクラスに対する鋭い境界を導出し、個々の因果効果の有界なモーメントに対する新たな結果を得る。
シミュレーション研究や実世界のデータセットで、対応する推定手法を示し、それらを説明する。
関連論文リスト
- Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。
因果効果は肯定的か否定的か?
本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
論文 参考訳（メタデータ） (2025-05-30T07:13:01Z) - Moments of Causal Effects [12.126945643201136]
この研究は、それらの分布と関係を分析するために因果効果のモーメントと積モーメントの定義、識別定理、および境界を与える。
本研究では,有限標本から因果効果のモーメントを推定する実験を行い,実世界の医療データセットを用いてその実践的応用を実証する。
論文 参考訳（メタデータ） (2025-05-08T06:09:05Z) - A Sparsity Principle for Partially Observable Causal Representation Learning [28.25303444099773]
因果表現学習は、知覚データから高レベルの因果変数を特定することを目的としている。
我々は、インスタンスに依存した部分的可観測パターンを持つデータセットから、未確認の観測から学ぶことに集中する。
提案手法は,推定された表現の間隔を小さくすることで,基礎となる因果変数を推定する2つの手法である。
論文 参考訳（メタデータ） (2024-03-13T08:40:49Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - 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) - Identifiability of Sparse Causal Effects using Instrumental Variables [11.97552507834888]
本稿では,共変量$X$の応答に対する因果効果が疎い線形モデルを考える。
観測された分布から因果係数が同定可能な条件を提供する。
推定器として、空間IVを提案し、モデルが同定可能であれば因果効果を常に推定することを証明する。
論文 参考訳（メタデータ） (2022-03-17T15:15:52Z) - Modelling Heterogeneity Using Bayesian Structured Sparsity [0.0]
観察間で異なる変数の効果を推定する方法は、政治科学において重要な問題です。
本稿では,複雑な現象(同様の現象を離散群に展開する観測)を回帰分析に組み込む共通の方法を提案する。
論文 参考訳（メタデータ） (2021-03-29T19:54:25Z)
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。