| 研究課題/領域番号 |
23K19960
|
|---|
| 研究種目 |
研究活動スタート支援
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
1001:情報科学、情報工学およびその関連分野
|
|---|
| 研究機関 | 名古屋大学 |
|---|
研究代表者 |
篠田 和彦 名古屋大学, 経済学研究科, 講師 (70981851)
|
|---|
| 研究期間 (年度) |
2023-08-31 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
2,860千円 (直接経費: 2,200千円、間接経費: 660千円)
2024年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2023年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
|---|
| キーワード | 因果推論 / ノンパラメトリック / 機械学習 / 漸近的性質 / ノンパラメトリック推定 |
|---|
| 研究開始時の研究の概要 |
本研究では、推定対象が条件付き期待値の比(CEFR)となる因果推論の問題に対して、幅広く適用可能で高精度な手法の開発を目的とする。関心のある因果効果がCEFRとして識別される問題はいくつか知られているが、既存手法はそれぞれ個別の問題に焦点を当てており汎用性が低い。推定対象がCEFRであるということ以外の仮定を極力排したノンパラメトリック推定量の開発およびその理論的性質の導出を行う。この研究は様々な因果推論の問題解決を通して、社会科学や医学などの広範な分野における最適な意思決定支援につながると期待できる。
|
| 研究実績の概要 |
幅広い因果推論の問題で柔軟に活用するため、条件付き期待値比をシリーズ回帰によりノンパラメトリックに推定する方法を考案し、その漸近的性質の検討を行った。具体的には、適当な正則条件下における、提案のノンパラメトリック推定量の収束レートおよび漸近正規性を大筋で示すことができた。一部未証明の箇所についても課題は明確化できており、次年度の取り組みによって完全な証明を達成できる見込みである。また、計量経済学の分野で近年注目されているDebiased Machine Learning (DML) を応用した推定手法の拡張も行った。DMLは機械学習モデルを含む非常に柔軟な手法で局外パラメータを推定しても、最終的な推定量の一致性や 漸近正規性が保証されるというものである。本研究では、条件付き期待値比の推定でDMLを適用するための推定手続きや漸近的性質を保証するための条件を特定した。
さらに有限サンプルにおける提案手法の性能を確認するため、条件付き期待値の関数形やデータ生成過程などに関して様々な異なる条件でのシミュレーションを行った。その結果、条件付き期待値をそれぞれ別に推定してから比を取るナイーブな推定量や一部パラメトリックな仮定を用いる従来手法など、その他の手法と比較しても優れた精度を有していることがわかった。また、シリーズ推定による近似誤差が十分小さい場合、提案手法で構成した信頼区間は名目有意水準に近い被覆確率を持っており、因果効果の推論にも有効であることが示された。これらの成果の一部を国内学会で報告した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
条件付き期待値比に対する提案推定量の漸近的性質について、一部証明が終わっていない部分がある。しかし、局外パラメータについても柔軟な関数形を許容した手法の開発は、本来2年目に計画していたものであり、未証明箇所についてもある程度道筋が見えていることから、全体としておおむね順調であると判断した。
|
| 今後の研究の推進方策 |
今後はまず上記の未証明箇所に取り組み、提案推定量の漸近的性質の分析を完了させる予定である。また、適切な実データの収集および提案推定量の適用を行い、現実のデータに対する有用性を確認する。来年度中にこれらの成果をまとめて、学会発表および論文投稿を行う予定である。
|
