PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.22493v1stat.ME

준모수 추론을 위한 V-fold 잭나이프: 분산 추정, 신뢰구간 및 동시 신뢰대

The V-fold jackknife for semiparametric inference: variance estimation, confidence intervals, and simultaneous confidence bands

수십 년 동안 부트스트랩(bootstrap)은 넓은 적용 가능성과 최소한의 해석적 요구 조건 때문에 통계적 추론의 기본 도구로 사용되어 왔다. 매끄러운 모수 추정량에 대해서는 그 타당성이 잘 이해되어 있지만, 많은 현대적인 준모수 및 머신러닝 추정량에 대한 이론적 성질은 여전히 거의 연구되지 않았다. 그럼에도 불구하고 이러한 설정에서 부트스트랩 절차가 타당성이 알려지지 않았고 계산 비용이 상당함에도 불구하고 일상적으로 사용되는 경우가 많다. 우리는 준모수 추론을 위한 계산적으로 효율적이고 이론적으로 정당화된 대안으로 $V$-fold 잭나이프를 제안한다. 이 방법은 $V$번의 leave-fold-out 재적합만 필요하며, 영향 함수(influence function)를 유도하거나 평가하지 않고도 잭나이프 의사값(pseudo-values)의 경험적 분산을 이용해 불확실성을 정량화한다. 경로 미분 가능(pathwise differentiable) 파라미터에 대한 정규 점근 선형(asymptotically linear) 추정량에 대해, 고정된 $V$에 대해 Student화된 $V$-fold 잭나이프 통계량이 자유도 $V-1$의 $t$분포로 수렴함을 보이며, 잭나이프 분산 추정량이 확률적으로 수렴하지 않음에도 불구하고 유효한 신뢰구간을 제공한다. $V\to\infty$일 때, 분산 추정량의 $V^{-1/2}$ 속도에서의 일치성(consistency)을 확립하며, $V$가 예를 들어 $\log n$의 속도로 느리게 발산하도록 허용한다. 또한 올바른 성분별 Student화 한계분포에 기반한 동시 신뢰대를 개발한다. 마지막으로, 영향 함수 분산이 발산하고 $\sqrt{n}$보다 느린 수렴을 보이는 일반화된 점근 선형 추정량으로 이론을 확장한다. Student화의 척도 불변성(scale invariance)은 유효 수렴 속도를 알 필요가 없게 한다. 평균 처치 효과(average treatment effect), Kaplan--Meier 생존 곡선, 그리고 highly adaptive lasso 용량-반응(dose-response) 곡선에 대한 시뮬레이션은 영향 함수 기반 표준오차가 과소 보수적(anti-conservative)이거나 불안정한 경우를 포함하여 신뢰할 수 있는 추론을 확인한다.

arXiv:2607.03824v1stat.ME

Targeted Highly Adaptive Lasso Minimum Loss Estimation of Target Functions

연속형 노출에 대한 용량-반응 곡선(DRC)처럼 비경로미분가능(non-pathwise differentiable) 함수형 매개변수를 추정하기 위해, 표적 함수를 스플라인 기저 함수 작업 모델에 사영한 뒤 TMLE의 MLE 표적화 단계를 LASSO로 대체하는 Targeted Highly Adaptive Lasso(T-HAL-MLE)를 제안한다. 시뮬레이션 실험에서 T-HAL-MLE는 기존 HAL 플러그인 추정량 대비 편향(bias)과 평균 제곱 오차(MSE)를 개선하며, 체(sieve) 사양이나 모수적 가정 없이 점별 점근 정규성과 차원-자유 수렴률을 달성함을 이론적으로 증명한다.

arXiv:2512.19861v2stat.ME

Napkin 그래프를 활용한 인과 추론

Causal Inference with the Napkin Graph

측정되지 않은 교란(unmeasured confounding)은 조정 범함수(adjustment functionals)에 기반한 식별 전략을 무효화할 수 있다. 우리는 M-바이어스, 도구 변수(instrumental variables), 고전적인 후문(back-door) 및 전문(front-door) 설정의 특징을 포괄하면서도 두 g-공식의 비표준적 비율을 통해 평균 처치 효과(average treatment effect)를 식별하는 인과 구조인 "Napkin" 그래프를 연구한다. 우리는 이 범함수에 대한 영향 함수(influence function) 기반 추정기를 개발하는데, 여기에는 기계 학습을 활용한 모수적 속도보다 느린 뉘앙스 추정 하에서도 점근적 선형성을 유지하는 이중 견고(doubly-robust) 단일 단계 추정기 및 표적 최소 손실 기반 추정기(targeted minimum loss-based estimators)가 포함된다. Napkin 그래프의 두드러진 특징은 관측 데이터 분포에 대해 일반적인 조건부 독립 제약이 아닌, Verma 제약(Verma constraint)으로 알려진 일반화된 독립성 제약을 부과한다는 점이다. 우리는 이 Verma 제약에 대응하는 모멘트 제약 하에서 인과 효과에 대한 반모수 효율성 이론을 개발하며, 접선 공간의 직교 보완(orthocomplement of the tangent space)을 특성화하고, 영향 함수의 클래스를 도출하며, 반모수 효율성 한계를 구한다. 더 광범위하게는, 본 분석은 Verma 제약으로 정의된 인과 모델에서의 반모수 추론을 위한 프레임워크를 제공하며, 이러한 제약이 효율성 향상을 가져올 수 있음을 보여준다. 시뮬레이션을 통해 추정기의 이론적 성질이 확인되고 상당한 효율성 향상이 입증된다. Finnish Life Course Study를 활용한 실제 데이터 적용에서는 교육 수준이 소득에 미치는 효과를 추정한다. 함께 제공되는 R 패키지인 napkincausal이 우리의 방법을 구현한다.