Apr, 2023

增广平衡权重线性回归

PDF
TL;DR本文针对 Augmented Balancing Weights（即 AutoDML）进行了新颖的表征，研究了其估计器结合了结果建模和平衡权重的方法，提出了一种基于 Riesz 代表器的推广方法，并进一步扩展到线性估计。该研究为增强平衡权重提供了重要见解，进一步揭露了其具体的估算选择方式。
autodmlaugmented balancing weightspropensity score weightskernel ridge regressionlasso regression
发现论文，激发创造
  • 高维下近似残差平衡：无偏基础下的平均处理效应推断

    本文提出了一种修正方法，使得套索法等稀疏回归方法可以用于高维线性模型的 sqrt {n}- 一致推断，而无需额外假设述评分数的可估计性，仅需要假设存在交集，即积分比例得分从 0 和 1 足够远。

    Apr, 2016

  • 双重 / 无偏机器学习用于处理和因果参数

    本文提出了一种新方法，双重机器学习 (Double ML)，用于解决因变量的原因关系，利用多种主要和辅助机器学习预测模型解决辅助和主关键参数预测，通过 K 折采样交叉拟合解决过拟合问题。

    Jul, 2016

  • 平衡策略评估与学习

    提出了一种基于平衡的权重方法来评估和学习个性化决策策略，该方法适用于利用历史记录来进行个性化医疗和互联网广告，该方法明显优于现有方法。

    May, 2017

  • 核平衡：一种灵活的非参数加权估计因果效应的方法

    本文提出采用核平衡方法来进行匹配和加权处理以进行因果推断，并证明该方法对于评估处理后的平均效应具有偏差纠正作用。该方法旨在使处理组和对照组之间的非治疗可能结果的条件期望相等，其中采用核函数提取基函数集合使得在该基函数下加权后处理组和对照组具有相等均值。采用该方法可用于实现不需要对治疗分配机制进行任何模型假设的稳定反倾向得分的权重选择。

    Apr, 2016

  • 因果和结构效应的自动去偏机器学习

    本文利用机器学习进行自动去偏差，得出了高维回归的线性和非线性函数。不仅提供去偏差的标准误差，还给出了一系列的结构性和因果效应的估计量。应用于具体数据上得出了对待处理者的平均处理效应，以及 Nielsen 扫描仪数据中有价格和收入相关性的需求弹性。

    Sep, 2018

  • OLR-WA 在线回归与加权平均

    机器学习中的在线学习方法 OLR-WA，通过结合新旧数据建立模型来解决数据量庞大和数据变化的问题，并通过用户定义的权重来实现对结果的偏好。与静态模型相比，OLR-WA 在一致数据上表现相似，在变化数据上，则可根据用户需求调整适应速度或抵抗变化。

    Jul, 2023

  • 连续权重平衡

    通过从预测源分布和指定目标分布之间的转移函数中得出样本权重，我们提出了一种简单的方法来选择高度不平衡或偏斜特征问题的样本权重。该方法在回归和分类任务上优于无权重和离散权重模型，并把该算法实现开源给科学界。

    Mar, 2021

  • 极小色散近似平衡权重：渐近性质和实用考虑

    本文研究一种最小化权重的方法，它可以近似平衡协变量，提出了一种调整权重的算法并应用于实证研究，结果表明这种方法可以有效降低加权估计器的均方误差

    May, 2017

  • 使用平衡权重进行反事实表示学习

    本文介绍了在因果推断中使用加权重来实现预测功能的平衡，强调了确定合适的目标人群的重要性，并使用引理将平衡与倾向性评估的质量联系起来，最终展示了学习到的加权表示如何促进具有吸引力统计特征的替代因果学习过程。

    Oct, 2020

  • 一种广义的加权优化方法用于计算学习和反演

    本文研究了回归模型的普适能力，用加权最小二乘优化方法，对有噪声数据的计算学习和反演进行了分析。权重方案编码了关于要学习的对象的先验知识和策略，权重来自先验知识可以提高学习模型的泛化能力。

    Jan, 2022