要旨: 因果関数推定の問題を、共変量は観測されないが共変量の代理変数が利用可能であるという Proxy Causal Learning（PCL）フレームワークのもとで研究する。これまでに、主に 2 つのアプローチが提案されている。すなわち、アウトカム・ブリッジに基づく方法と、処置（トリートメント）・ブリッジに基づく方法である。本研究では、両アプローチの長所を組み合わせ、連続変数および高次元変数を自然に扱える 2 つのカーネルベースの二重ロバスト推定量を提案する。我々の同定戦略は、処置ブリッジに基づく PCL のための最近の密度比フリー（density ratio-free）手法に基づいている。さらに、先行手法とは異なり、指示関数（indicator functions）や処置変数に対するカーネル平滑化（kernel smoothing）を必要としない。これらの性質により、連続または高次元の処置に対して特に適している。カーネル平均埋め込み（kernel mean embeddings）を用いることで、代理因果学習（proxy causal learning）に対する、初めての密度比フリーの二重ロバスト推定量を提案する。これらは閉形式の解をもち、強い一様整合性（uniform consistency）の保証を提供する。我々の推定量は、PCL のベンチマークにおいて既存手法よりも優れており、さらに、カーネル平滑化と密度比推定の両方を必要とする先行の二重ロバスト手法を含む。
密度比フリーの二重ロバスト・プロキシ因果学習
arXiv stat.ML / 2026/3/27
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、交絡因子が観測されていないがそのプロキシが利用可能であるという状況を扱う、プロキシ因果学習（PCL）フレームワークのもとでの因果関数推定を扱う。
- 帰結ブリッジと治療ブリッジの考え方を統合し、連続変数や高次元変数でも効果的に機能することを狙った、カーネルに基づく2つの二重ロバスト推定量を導入する。
- 同定のアプローチは、密度比を用いない治療ブリッジ手法に基づき、治療変数に対する指標関数の回避やカーネル平滑化を行わない。
- カーネル平均埋め込みを用いて、著者らは、閉形式の解と一様整合性の保証を伴う、プロキシ因果学習における最初の「密度比フリー」な二重ロバスト推定量であると主張する提案を行う。
- PCLのベンチマークに関する実験では、本提案手法が先行手法よりも優れており、とりわけ、カーネル平滑化と密度比推定の両方を必要とする二重ロバスト基準法を上回ることが示される。
広告
