Glossário IA
O dicionário completo da Inteligência Artificial
Ortogonalidade de Neyman
Princípio fundamental que garante que os erros de estimação das funções de perturbação (nuisance functions) não afetam a primeira ordem do estimador do parâmetro de interesse causal.
Cross-Fitting
Técnica de validação cruzada adaptada para inferência causal, evitando o sobreajuste ao usar amostras disjuntas para a estimação das funções de perturbação e do parâmetro causal.
Florestas Causais
Extensão das florestas aleatórias adaptada para estimar efeitos de tratamento heterogêneos condicionais, utilizando árvores de partição baseadas nas diferenças de resultados potenciais.
Estimação de Máxima Verossimilhança Direcionada
Método de estimação semiparamétrico duplamente robusto que otimiza uma função de perda direcionada para estimar parâmetros causais com propriedades de eficiência assintótica.
Scores de Propensão de Alta Dimensão
Estimação dos scores de propensão utilizando técnicas de regularização como Lasso ou Elastic Net quando o número de covariáveis excede largamente o tamanho da amostra.
Filtros Knockoff
Procedimento de controle da taxa de falsas descobertas em alta dimensão, criando variáveis knockoff artificiais para identificar seletivamente as variáveis causais significativas.
Inferência Pós-Seleção
Estrutura teórica que permite uma inferência estatística válida após a seleção de variáveis, levando em conta a incerteza introduzida pelo próprio processo de seleção.
Grafos Causais Esparsos
Modelos gráficos causais que exploram a parcimônia estrutural para identificar relações causais diretas em espaços de altíssima dimensão com um número limitado de observações.
Efeitos de Tratamento Heterogêneos
Efeitos de tratamento que variam de acordo com características individuais ou contextuais, estimados em alta dimensão por métodos de aprendizado de máquina adaptados à causalidade.
Robustez Dupla
Propriedade de estimadores causais que permanecem consistentes se o modelo de resultado ou o modelo de tratamento for corretamente especificado, crucial em alta dimensão.
Variáveis Instrumentais em Alta Dimensão
Extensão dos métodos de variáveis instrumentais a contextos de alta dimensão usando técnicas de regularização e seleção para gerenciar a sobreidentificação.
Aprendizado de Máquina Ortogonal
Paradigma geral de estimação semiparamétrica que garante a ortogonalidade entre as funções de perturbação e o parâmetro de interesse, essencial para inferência em alta dimensão.
Análise de Mediação em Alta Dimensão
Análise de mecanismos mediadores na presença de um grande número de mediadores potenciais, utilizando abordagens de seleção múltipla e inferência simultânea.
Lasso Adaptativo para Inferência Causal
Variante do Lasso com penalidades adaptativas ponderadas que permite uma seleção de variáveis consistente e propriedades de oráculo para a identificação de efeitos causais.
Identificação Parcial
Abordagem inferencial que determina limites para os parâmetros causais quando as hipóteses de identificação completa não são satisfeitas em alta dimensão.
Representante de Riesz
Funcional linear que otimiza a estimação semiparamétrica em alta dimensão pela construção de representantes de Riesz para o parâmetro causal de interesse.