ترجمه فارسی مقاله برآوردگرهای محک برای آزمایش‌های طبیعی: یک مجموعه داده جدید و یک الگوریتم دو چندان قوی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Benchmarking Estimators for Natural Experiments: A Novel Dataset and a Doubly Robust Algorithm
عنوان مقاله به فارسی برآوردگرهای محک برای آزمایش‌های طبیعی: یک مجموعه داده جدید و یک الگوریتم دو چندان قوی
نویسندگان R. Teal Witter, Christopher Musco
فرمت مقاله انگلیسی PDF
تعداد صفحات 31
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,Methodology,یادگیری ماشین , یادگیری ماشین , روش شناسی ,
توضیحات Submitted 6 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 6 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Estimating the effect of treatments from natural experiments, where treatments are pre-assigned, is an important and well-studied problem. We introduce a novel natural experiment dataset obtained from an early childhood literacy nonprofit. Surprisingly, applying over 20 established estimators to the dataset produces inconsistent results in evaluating the nonprofit's efficacy. To address this, we create a benchmark to evaluate estimator accuracy using synthetic outcomes, whose design was guided by domain experts. The benchmark extensively explores performance as real world conditions like sample size, treatment correlation, and propensity score accuracy vary. Based on our benchmark, we observe that the class of doubly robust treatment effect estimators, which are based on simple and intuitive regression adjustment, generally outperform other more complicated estimators by orders of magnitude. To better support our theoretical understanding of doubly robust estimators, we derive a closed form expression for the variance of any such estimator that uses dataset splitting to obtain an unbiased estimate. This expression motivates the design of a new doubly robust estimator that uses a novel loss function when fitting functions for regression adjustment. We release the dataset and benchmark in a Python package; the package is built in a modular way to facilitate new datasets and estimators.

چکیده به فارسی (ترجمه ماشینی)

برآورد تأثیر درمانها از آزمایشات طبیعی ، جایی که درمان ها از قبل تعیین شده اند ، یک مشکل مهم و خوب مطالعه شده است.ما یک مجموعه داده آزمایش طبیعی جدید به دست آمده از یک سواد اولیه در کودکی غیرانتفاعی را معرفی می کنیم.با کمال تعجب ، استفاده از بیش از 20 برآوردگر تأسیس شده در مجموعه داده ها نتایج متناقض در ارزیابی اثربخشی غیرانتفاعی ایجاد می کند.برای پرداختن به این موضوع ، ما یک معیار برای ارزیابی دقت برآوردگر با استفاده از نتایج مصنوعی ایجاد می کنیم ، که طراحی آنها توسط کارشناسان دامنه هدایت می شد.این معیار به طور گسترده ای عملکرد را به عنوان شرایط دنیای واقعی مانند اندازه نمونه ، همبستگی درمان و دقت نمره گرایش بررسی می کند.بر اساس معیار ما ، ما مشاهده می کنیم که کلاس برآوردگرهای اثر دو برابر قوی درمانی ، که مبتنی بر تنظیم رگرسیون ساده و بصری هستند ، به طور کلی از سایر برآوردگرهای پیچیده تر با سفارشات از نظر بزرگتر بهتر عمل می کنند.برای حمایت بهتر از درک نظری ما از برآوردگرهای مضاعف ، ما یک بیان فرم بسته را برای واریانس هر گونه برآوردگر که از تقسیم مجموعه داده ها برای به دست آوردن یک تخمین بی طرفانه استفاده می کند ، استخراج می کنیم.این عبارت باعث می شود طراحی یک برآوردگر دو برابر قوی که از یک عملکرد از دست دادن جدید هنگام تناسب برای تنظیم رگرسیون استفاده می کند ، ایجاد کند.ما مجموعه داده و معیار را در یک بسته پایتون منتشر می کنیم.این بسته به روشی مدولار برای تسهیل مجموعه داده ها و برآوردگرهای جدید ساخته شده است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.