ランダム化実験における一般的機械学習により発見された不均一処理効果の統計的推論【JST機械翻訳】

Imai Kosuke; Li Michael Lingzhi

プレプリント

J-GLOBAL ID：202202207713848105 整理番号：22P0311161

ランダム化実験における一般的機械学習により発見された不均一処理効果の統計的推論【JST機械翻訳】

Statistical Inference for Heterogeneous Treatment Effects Discovered by Generic Machine Learning in Randomized Experiments

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月28日プレプリントサーバーでの情報更新日： 2024年04月20日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

研究者は,ランダム化実験において原因の不均一性を調査するために機械学習(ML)アルゴリズムにますます転換している。それらの有望性にもかかわらず,MLアルゴリズムは,多くの共変量と小さなサンプルサイズで,実用的な設定の下で,異種の治療効果を正確に確認することができない可能性がある。さらに,推定の不確実性の定量化は課題として残っている。一般的MLアルゴリズムにより発見された不均一処理効果に対する統計的推論への一般的アプローチを開発した。筆者らは,Neymanの反復サンプリングフレームワークを共通の設定に適用し,その中で,研究者はMLアルゴリズムを用いて条件付き平均処理効果を推定し,次に推定効果の大きさに基づいてサンプルをいくつかのグループに分割した。これらの各グループ内の平均治療効果を推定する方法を示し,妥当な信頼区間を構築した。さらに,グループ全体での処理効果均一性のノンパラメトリック試験とグループ内平均処理効果のランク一貫性を開発した。この方法論の妥当性は,処理割当のランダム化とユニットのランダムサンプリングのみに基づいているので,MLアルゴリズムの性質に依存しない。最後に,データのランダム分割により誘導された付加的不確実性を考慮することにより,この方法論を交差当てはめ手続きに一般化した。【JST機械翻訳】

, , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能

, , , , ,

前のページに戻る