代理导向的测量校准
机器学习
2026-03-17 v3
摘要
通过调查和行政记录收集的聚合结果变量常受系统测量误差。例如，在灾害损失数据库中，县级损失报告可能与真实损害不同， due to on-the-ground data collection capacity, reporting practices, and event characteristics。此类失准会使下游分析和决策复杂化。我们研究结果失准问题，提出一种由代理变量引导的框架，用于估计和纠正系统误差。我们使用因果图建模数据生成过程，将驱动真实结果的潜在内容变量与导致系统误差的潜在偏差变量分开。关键洞察是，依赖于真实结果但独立于偏差机制的代理变量提供了量化偏差的识别信息。利用这一结构，我们引入一个两阶段方法，使用变分自编码器来解耦内容和偏差潜在变量，从而估计偏差对感兴趣结果的影响。我们分析我们方法的假设条件，并在合成数据、从随机试验中派生的半合成数据集以及一个真实世界的灾害损失报告案例研究中对其进行评估。
引用
@article{arxiv.2603.09288,
title = {Proxy-Guided Measurement Calibration},
author = {Saketh Vishnubhatla and Shu Wan and Andre Harrison and Adrienne Raglin and Huan Liu},
journal= {arXiv preprint arXiv:2603.09288},
year = {2026}
}