Umeå universitets logga

umu.sePublikationer
Driftinformation
Ett driftavbrott i samband med versionsuppdatering är planerat till 17/11-2026, kl 12.00-13.00. Under den tidsperioden kommer DiVA inte att vara tillgängligt.
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Unsupervised domain adaptation beyond label shift
Umeå universitet, Samhällsvetenskapliga fakulteten, Handelshögskolan vid Umeå universitet, Statistik.ORCID-id: 0000-0003-0633-0177
Umeå universitet, Samhällsvetenskapliga fakulteten, Handelshögskolan vid Umeå universitet, Statistik.ORCID-id: 0000-0003-3187-1987
(Engelska)Manuskript (preprint) (Övrigt vetenskapligt)
Nationell ämneskategori
Sannolikhetsteori och statistik
Identifikatorer
URN: urn:nbn:se:umu:diva-230172OAI: oai:DiVA.org:umu-230172DiVA, id: diva2:1901768
Tillgänglig från: 2024-09-30 Skapad: 2024-09-30 Senast uppdaterad: 2024-10-01
Ingår i avhandling
1. Machine learning for efficient and robust causal inference and prediction
Öppna denna publikation i ny flik eller fönster >>Machine learning for efficient and robust causal inference and prediction
2024 (Engelska)Doktorsavhandling, sammanläggning (Övrigt vetenskapligt)
Alternativ titel[sv]
Maskininlärning för effektiv och robust kausal inferens och prediktion
Abstract [en]

This thesis makes contributions within the area of causal inference, domain adaptation, and studies of health inequalities. The common theme is using asymptotic statistics, where estimators and predictors are shown to be asymptotically unbiased, normally distributed, and reach the asymptotic efficiency bound. Furthermore, due to the robustness of the solutions, the usage of flexible machine learning models like neural networks is justified.

The first work studies the necessary growth rate for convolutional neural network architectures, where asymptotically efficient estimation of causal effect estimators is aimed at, and convolutional neural networks are used to fit nuisance models. The proposed method is also applied to Swedish registry data in order to study the effects of early retirement on health outcomes.

The second article proposes an asymptotically efficient estimator for a novel causal parameter. The parameter of interest is the effect of an intervention on a counterfactual version of the concentration index, which is an index that represents socioeconomic-related health inequality. The real data application of this paper is the study of the effect of education on different health-related inequalities in a cohort of Swedes.

The third paper solves a problem in the field of domain adaptation in machine learning, where the training set is observed but it is not possible to assume that test and training sets follow the same distribution. A weaker assumption is instead considered, referred to as a generalized label shift. This paper proposes a robust and asymptotically efficient predictor under the generalized label shift assumption.

The last article is a vignette on the software developed to perform the analysis in the first paper. It is possible to utilize the software in a broader manner than what is described in the first paper. Several examples and more practical details are presented in this article in order to demonstrate how neural networks can be used in order to fit nuisance functions when the average treatment effect or the average treatment effect on the treated is the parameter of interest.

Abstract [sv]

Denna avhandling bidrar till området kausal inferens, domänanpassning och studier om ojämlikhet i hälsa. Det gemensamma motivet är att använda asymptotisk statistik, där estimatorer och prediktorer visas vara asymptotiskt väntevärdesriktiga, normalfördelade och nå den asymptotiska effektivitetsgränsen. Dessutom, på grund av robustheten hos lösningar, är användningen av flexibla maskininlärningsmodeller, så som neurala nätverk, motiverad.

Det första arbetet studerar den nödvändiga tillväxthastigheten för konvolutionella neurala nätverks arkitekturer, där asymptotiskt effektiva skattningar av kausala effekter är syftet och konvolutionella neurala nätverk används för att skatta störmodeller. Den föreslagna metoden tillämpas även på svenska registerdata för att studera effekterna av förtidspension på hälsoutfall.

Den andra artikeln föreslår en asymptotiskt effektiv estimator för en ny kausal parameter. Parametern av intresse är effekten av en intervention på en kontrafaktisk version av koncentrationsindexet, vilket är ett index som beskriver socioekonomisk ojämlikhet i hälsa. Datatillämpningen i denna uppsats studerar effekten av utbildning på olika hälsorelaterade ojämlikheter i en kohort svenskar.

Den tredje uppsatsen löser ett problem inom domänanpassning i maskininlärning, där träningsdata observeras men det är inte möjligt att anta att test- och träningsdata följer samma fördelning. Ett svagare antagande övervägs istället, kallad ett generaliserat etikettskifte. Denna artikel föreslår en robust och asymptotiskt effektiv prediktor under det generaliserade etikettskiftes antagandet.

Den sista artikeln är en vinjett som klargör programvaran som utvecklats för att utföra analysen i den första uppsatsen. Det är möjligt att använda programvaran på ett bredare sätt än vad som beskrivs i den första artikeln. Olika exempel och fler praktiska detaljer presenteras i denna artikel för att visa hur neurala nätverk kan användas för att skatta störfunktioner när syftet är att estimera den genomsnittliga behandlingseffekten i en population eller delpopulation av de behandlade.

Ort, förlag, år, upplaga, sidor
Umeå: Umeå University, 2024. s. 20
Serie
Statistical studies, ISSN 1100-8989 ; 59
Nyckelord
Causal inference, Convolutional neural network, Concentration index, Generalized label shift, Machine learning, Asymptotic efficiency
Nationell ämneskategori
Sannolikhetsteori och statistik
Forskningsämne
statistik
Identifikatorer
urn:nbn:se:umu:diva-230215 (URN)978-91-8070-475-5 (ISBN)978-91-8070-476-2 (ISBN)
Disputation
2024-10-25, Hörsal SAM.A.280, Samhällsvetarhuset, Umeå, 09:30 (Engelska)
Opponent
Handledare
Forskningsfinansiär
Marianne och Marcus Wallenbergs Stiftelse
Tillgänglig från: 2024-10-04 Skapad: 2024-10-01 Senast uppdaterad: 2024-10-08Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Person

Mohammad, Ghasempourde Luna, Xavier

Sök vidare i DiVA

Av författaren/redaktören
Mohammad, Ghasempourde Luna, Xavier
Av organisationen
Statistik
Sannolikhetsteori och statistik

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 363 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf