論文の概要: A Sensitivity Framework for Assessing External Validity
- arxiv url: http://arxiv.org/abs/2611.16242v1
- Date: Thu, 12 Nov 2026 03:40:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.352819
- Title: A Sensitivity Framework for Assessing External Validity
- Title(参考訳): 外的妥当性を評価するための感性フレームワーク
- Abstract要約: 実験の外部妥当性を評価するための部分的識別フレームワークを開発した。
我々のアプローチはパラメータ制約のアフィン族に適応できる。
我々のフレームワークは、どのようにして異なる仮定を具体的な部分的識別境界に結び付けるかを示す。
- 参考スコア(独自算出の注目度): 5.233767009449174
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Assessing the external validity of experimental results is a pervasive challenge in causal inference as internally valid findings need not generalize beyond sites in which the experiments were conducted. Since the number of sites is often smaller than the number of site-level variables that moderate causal effects, we develop a partial identification framework that lets practitioners assess external validity under a wide range of assumptions that allow extrapolation across site-level variables. Our optimization-driven approach can accommodate any affine family of parameter restrictions, such as interaction terms being dominated by direct effects (the "effect hierarchy principle"). Since standard estimating-equation arguments do not apply in our setting---underspecified parameter directions responsible for partial identification make the covariance matrix singular---we develop a novel debiasing approach for estimands given by constrained optimization problems, giving rise to semiparametrically efficient estimators for our flexible partial identification bounds. We illustrate our approach on multi-site microcredit experiments harmonized by Meager (2019), whose lending environments differ widely in interest rates, loan sizes, and promotion. Holding out one country at a time, we construct external-validity intervals for the held-out country from the remaining source sites and show how our framework connects different extrapolation assumptions to concrete partial identification bounds.
- Abstract(参考訳): 実験結果の外部的妥当性を評価することは因果推論における広範にわたる課題であり、内部的有効な発見は実験が行われた部位を超えて一般化する必要はない。
サイト数は、因果効果を適度に評価するサイトレベルの変数の数よりも少ないことが多いため、現場レベルの変数を外挿できる広範囲な仮定の下で、実践者が外部の妥当性を評価できる部分的識別フレームワークを開発する。
我々の最適化駆動型アプローチは、直接効果(「効果階層原理」)に支配される相互作用項のようなパラメータ制約のアフィン族に対応できる。
標準的な推定方程式の議論は、我々の設定には適用されない--偏微分に責任を負うパラメータの特定方向が共分散行列を特異にする----制約された最適化問題によって与えられる推定に対する新しいデバイアス化アプローチを開発し、フレキシブルな偏微分境界に対する半パラメトリック効率な推定器を生み出した。
我々は,Miager (2019) と調和したマルチサイトマイクロクレジット実験へのアプローチについて述べる。
1つの国を一度に保持し、残ったソースサイトから保留国に対する外的正当性間隔を構築し、我々のフレームワークがどのようにして異なる外挿仮定を具体的な部分的識別境界に結び付けるかを示す。
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) - How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。
因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。
本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
論文 参考訳(メタデータ) (2026-06-10T21:07:49Z) - Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions [18.19166664646723]
既存のアプローチは、典型的には全変数のグローバル因果構造学習や、因果正当性のような強い仮定に頼っている。
本研究では,非パラメトリック因果効果推定における共変量選択のための新しい局所学習法を提案する。
複数の合成データセットと2つの実世界のデータセットを用いた実験により,本手法は精度の高い因果効果推定を実現し,計算効率を大幅に向上することを示した。
論文 参考訳(メタデータ) (2026-05-20T11:08:09Z) - Data-Driven Information-Theoretic Causal Bounds under Unmeasured Confounding [10.590231532335691]
本研究では,データ駆動型情報理論フレームワークを開発し,条件付き因果関係の同定を行う。
我々の重要な理論的貢献は、観測分布 P(Y | A = a, X = x) と干渉分布 P(Y | do(A = a), X = x) の間の f-分割が、確率スコアのみの関数によって上界であることが示している。
この結果により、外部感度パラメータ、補助変数、完全な構造仕様、結果境界性仮定を必要とせず、観測データから直接条件因果効果を鋭く同定することができる。
論文 参考訳(メタデータ) (2026-01-23T20:47:48Z) - Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。
我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。
因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
論文 参考訳(メタデータ) (2023-12-15T22:04:53Z) - Identification and multiply robust estimation in causal mediation analysis across principal strata [7.801213477601286]
治療後イベントの存在下での因果仲裁の評価について検討する。
本研究では,各媒介推定値に対する効率的な影響関数を導出する。
論文 参考訳(メタデータ) (2023-04-20T00:39:20Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳(メタデータ) (2022-08-29T16:16:22Z) - Variational Disentanglement for Domain Generalization [68.85458536180437]
本稿では,変分拡散ネットワーク(VDN)という効果的なフレームワークを提供することにより,領域一般化の課題に取り組むことを提案する。
VDNは、ドメイン固有の機能とタスク固有の機能を切り離し、タスク固有のフィーチャは、見えないが関連するテストデータにより良い一般化が期待できる。
論文 参考訳(メタデータ) (2021-09-13T09:55:32Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳(メタデータ) (2021-04-12T18:50:11Z) - 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。