用于观测数据去噪的四分之三兄弟回归
统计方法学
2021-01-05 v1 机器学习
摘要
许多生态研究与保护政策基于物种的野外观测，而这些观测可能受到观测过程引入的系统性变异的影响。一种称为“半兄弟回归（half-sibling regression）”的近期因果建模技术可检测并纠正多个独立随机变量的测量中的系统性误差。然而，若变量相关，它会去除内在变异性，因此不适用于许多情形，包括受共同原因控制的物种数量建模。我们提出一种称为“四分之三兄弟回归（three-quarter sibling regression）”的技术以部分克服此限制。当潜变量具有已观测的共同原因时，它可滤除系统性噪声的影响。我们提供了该方法的理论依据，在合成数据上展示了其有效性，并表明其降低了蛾类调查中由月光亮度引起的系统性检测变异性。
引用
@article{arxiv.2101.00074,
title = {Three-quarter Sibling Regression for Denoising Observational Data},
author = {Shiv Shankar and Daniel Sheldon and Tao Sun and John Pickering and Thomas G. Dietterich},
journal= {arXiv preprint arXiv:2101.00074},
year = {2021}
}