ترجمه فارسی مقاله یادگیری ماشین هدفمند عمومی برای تحلیل میانجیگری علی مدرن

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 General targeted machine learning for modern causal mediation analysis
عنوان مقاله به فارسی یادگیری ماشین هدفمند عمومی برای تحلیل میانجیگری علی مدرن
نویسندگان Richard Liu, Nicholas T. Williams, Kara E. Rudolph, Iván Díaz
فرمت مقاله انگلیسی PDF
تعداد صفحات 32
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 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

Causal mediation analyses investigate the mechanisms through which causes exert their effects, and are therefore central to scientific progress. The literature on the non-parametric definition and identification of mediational effects in rigourous causal models has grown significantly in recent years, and there has been important progress to address challenges in the interpretation and identification of such effects. Despite great progress in the causal inference front, statistical methodology for non-parametric estimation has lagged behind, with few or no methods available for tackling non-parametric estimation in the presence of multiple, continuous, or high-dimensional mediators. In this paper we show that the identification formulas for six popular non-parametric approaches to mediation analysis proposed in recent years can be recovered from just two statistical estimands. We leverage this finding to propose an all-purpose one-step estimation algorithm that can be coupled with machine learning in any mediation study that uses any of these six definitions of mediation. The estimators have desirable properties, such as $\sqrt{n}$-convergence and asymptotic normality. Estimating the first-order correction for the one-step estimator requires estimation of complex density ratios on the potentially high-dimensional mediators, a challenge that is solved using recent advancements in so-called Riesz learning. We illustrate the properties of our methods in a simulation study and illustrate its use on real data to estimate the extent to which pain management practices mediate the total effect of having a chronic pain disorder on opioid use disorder.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل واسطه گر علیت ، مکانیسم هایی را که از طریق آن باعث می شود اثرات خود را انجام دهند ، بررسی می کنند و بنابراین برای پیشرفت علمی اساسی هستند.ادبیات مربوط به تعریف غیر پارامتری و شناسایی اثرات میانجی در مدلهای علّی شدید در سالهای اخیر به طور قابل توجهی رشد کرده است ، و پیشرفت مهمی برای رفع چالش ها در تفسیر و شناسایی چنین اثرات وجود داشته است.علیرغم پیشرفت زیاد در جبهه استنتاج علی ، روش آماری برای برآورد غیر پارامتری عقب مانده است ، با چند روش یا هیچ روش برای مقابله با تخمین غیر پارامتری در حضور واسطه های متعدد ، مداوم یا با ابعاد بالا در دسترس است.در این مقاله نشان می دهیم که فرمول های شناسایی برای شش رویکرد غیر پارامتری محبوب به تجزیه و تحلیل میانجیگری که در سالهای اخیر ارائه شده است ، فقط از دو برآورد آماری قابل بازیابی است.ما از این یافته استفاده می کنیم تا یک الگوریتم برآورد یک مرحله ای همه منظوره را ارائه دهیم که می تواند با یادگیری ماشین در هر مطالعه میانجی همراه باشد که از هر یک از این شش تعریف واسطه استفاده می کند.برآوردگرها دارای خواص مطلوب هستند ، مانند $ \ sqrt {n} $-همگرایی و عادی بودن بدون علامت.برآورد تصحیح مرتبه اول برای برآوردگر یک مرحله ای نیاز به برآورد نسبت چگالی پیچیده در واسطه های بالقوه با ابعاد بالا دارد ، چالشی که با استفاده از پیشرفت های اخیر در یادگیری به اصطلاح Riesz حل می شود.ما خواص روشهای خود را در یک مطالعه شبیه سازی نشان می دهیم و استفاده از آن را در داده های واقعی نشان می دهیم تا میزان عملکردهای مدیریت درد واسطه کل تأثیر بیماری مزمن درد بر اختلال مصرف مواد افیونی باشد.

📚 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.