ベイズ決定理論に基づく広範な問題に適用可能な統計的因果推論フレームワークの構築

基于贝叶斯决策理论构建可应用于广泛问题的统计因果推理框架

• 批准号: 22K12156
• 负责人: 堀井 俊佑
• 金额: $ 2.66万
• 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: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2026-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K12156/
• 关键词: 統計的因果推論; ベイズ決定理論; 構造的因果モデル; 平均介入効果; 条件付き平均処置効果; 部分線形モデル; 能動学習; ベイズ統計; 統計的決定理論

本研究の目的は，統計的因果推論における因果効果の推定に対する様々な数理モデル・推定手法をベイズ決定理論の立場から見直して整理し，ベイズ決定理論に基づく統一的な統計的因果推論フレームワークを構築することで，既存手法よりも適用範囲が広く，因果効果を高い精度で推定可能な手法を開発することであった．2022年度は，部分線形モデルとよばれるモデルにノンパラメトリックベイズモデルの視点を取り入れることで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因果的な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，できるだけ治験への参加者数を少なくしたもと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．

は の purpose, this study causal inference in statistical に お け る causation presumption unseen fruit の に す seaborne る others 々 な mathematical モ デ ル presumption, gimmick を ベ イ ズ decision theory の position か ら see straight し て し, ベ イ ズ に decision theory づ く unified な causal inference in statistical フ レ ー ム ワ ー ク を build す る こ と で, existing methods よ り も applicable van 囲 が hiroo く, Causal effect を high を precision で estimation possible な method を development する とであった とであった とであった. 2022 は, part of the linear モ デ ル と よ ば れ る モ デ ル に ノ ン パ ラ メ ト リ ッ ク ベ イ ズ モ デ ル の viewpoints を take り れ る こ と で company, zhang し た モ デ ル に お い て, conditions of average pay き 処 buy unseen fruit と よ ば れ る causation of な を ベ イ ズ presumption method で す る ア ル ゴ リ ズ ム し を proposal, Youdaoplaceholder0 そ performance を theory · empirical に analysis を line った. Causal inference in statistical の eset で は in recent years, the heterogeneity of causal unseen fruit の に attention し た study が く line わ れ て い る が, this study も そ の a で あ る. Masato even す る gimmick と し て, Double/Debiased Machine Learning と よ ば れ る gimmick が hiroo く with い ら れ て い る が, be 験 に よ り こ の gimmick と compare し て condition average pay き 処 unseen fruit を high precision い で presumption で き る こ と を shown し た. The research results of this study に are now available for submission at the international conference に である. ま た, partial linear モ デ ル に お い て, causality presumption unseen fruit を purpose と し た active learning の を proposal し, そ の を performance be 験 に resolution し た. Example え ば, あ る new 薬 の unseen fruit を Ming ら か に し た い occasions, で き る だ け cure 験 へ の less number of participants を な く し た も と で unseen fruit を presumption has high precision い で し た い. This study は こ の よ う に less な い サ ン プ ル サ イ ズ で 処 buy - に の purpose - Numbers and え る causation presumption unseen fruit を high-precision で し た problems で have sharper で あ る. The research results of <s:1> に に て て て で international conference で release schedule を tour った.

项目成果

Bayesian Sequential Experimental Design for a Partially Linear Model with a Gaussian Process Prior

• 发表时间: 2022-11
• 作者: Shunsuke Horii

データ科学入門I

数据科学导论 I

• 发表时间: 2022
• 作者: 松嶋 敏泰;早稲田大学データ科学教育チーム
• 通讯作者: 早稲田大学データ科学教育チーム