スパースモデリングとベイズ決定理論に基づいた因果推論手法の構築

构建基于稀疏建模和贝叶斯决策理论的因果推理方法

基本信息

批准号：
19K12128
负责人：
堀井俊佑
金额：
$ 1.58万
依托单位：
Waseda University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2019
资助国家：
日本
起止时间：
2019-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

本研究の目的は，統計的因果分析における因果効果の推定問題をスパースモデリング・ベイズ統計学・決定理論に基づいてモデル化し，ベイズ最適な決定法，及び効率的な近似アルゴリズムの構築と解析を行うことであった．統計的因果分析は，データ分析から得られた知見を使い，何らかの行動をした場合の結果を統計的に分析する学問であり，疫学・社会科学・政治経済学など幅広い応用を持ち，注目を浴びている．2022年度は，部分線形モデルとよばれるモデルを拡張したモデルにおいて，条件付き平均処置効果とよばれる量をベイズ的方法で推定するアルゴリズムを提案し，その性能を理論的・実験的に解析を行った．統計的因果推論の分野では近年，因果効果の異質性に注目した研究が多く行われているが，本研究もその一種である．関連する手法として，Double/Debiased Machine Learningとよばれる手法が広く用いられているが，実験によりこの手法と比較して条件付き平均処置効果を高い精度で推定できることを示した．本研究の研究成果は現在国際会議に投稿中である．また，部分線形モデルにおいて，因果効果推定を目的とした能動学習の手法を提案し，その性能を実験的に解析した．例えば，ある新薬の効果を明らかにしたい場合，できるだけ知見者の数を少ない状況で，効果を高い精度で推定したい．本研究は，このように少ないサンプルサイズで処置変数の目的変数に与える因果効果を高精度で推定したい問題で有効である．この研究成果については国際会議で発表を行った．

这项研究的目的是基于稀疏建模，贝叶斯统计和决策理论的统计因果分析中的因果效应估计问题，并构建和分析贝叶斯最佳决策方法和有效的近似算法。统计因果分析是一个使用从数据分析获得的知识来统计分析采取某种类型的动作的结果的领域。它具有广泛的应用，包括流行病学，社会科学以及政治和经济学，并引起人们的关注。在2022财年中，我们提出了一种算法，以在模型中使用贝叶斯方法估算称为条件平均治疗效果的量，该模型是该模型的扩展，该模型称为部分线性模型，并分析了该模型理论和实验性分析的性能。近年来，在统计因果推断领域进行了许多研究，这些研究着重于因果关系的异质性，而这项研究就是其中之一。作为一种相关方法，广泛使用了一种称为双/辩护的机器学习的技术，并且实验表明，与此方法相比，有条件均值处理的效果可以估计很高。目前，这项研究的研究结果已提交国际会议。此外，我们提出了一种主动学习方法，用于估计部分线性模型中的因果效应，并通过实验分析其性能。例如，如果您想澄清新药的影响，则希望以最小的知识数量准确地估算效果。这项研究在需要高精度的问题中有效估计治疗变量对样本量如此小的目标变量的因果影响。这项研究的结果是在国际会议上提出的。