MARC

 008260126s2025        us                              c    eng  d
■001000017359187
■00520260202104846
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293893201
■035    ▼a(MiAaPQ)AAI32173835
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aBouyamourn,  Adam.
■24510▼aEssays  in  Methodology
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a163  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Dunning,  Thad.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aThis  dissertation  studies  three  problems  in  statistical  methodology.How  should  researchers  select  experimental  sites  when  the  deployment  population  may  differ  from  observed  data?  The  first  paper,  "Site  Selection  under  Distribution  shift  via  Optimal  Transport  and  Wasserstein  Distributionally-Robust  Optimization'',  formulates  the  problem  of  experimental  site  selection  as  an  optimal  transport  problem,  and  develops  methods  to  minimize  downstream  estimation  error  by  choosing  sites  that  minimize  Wasserstein  distances  between  population  and  sample  covariate  distributions.  I  develop  new  theoretical  upper  bounds  on  PATE  and  CATE  estimation  errors,  and  show  that  these  different  objectives  lead  to  different  site  selection  strategies:  both  approaches  form  balanced,  representative  partitions  of  the  support  of  the  covariates,  but  use  different  penalties,  which  place  a  larger  emphasis  on  site  selections  that  place  greater  weight  on  minimizing  downstream  bias  (PATE)  and  and  variance  (CATE)  respectively.  I  extend  this  approach  by  using  Wasserstein  Distributionally  Robust  Optimization  to  guard  against  distribution  shift  when  observed  sites  may  not  represent  the  target  population,  and  develop  a  novel,  data-driven  procedure  for  uncertainty  radius  selection.  I  develop  a  cutting-plane  algorithm  that  solves  the  resulting  minimax  problem  by  exploiting  its  sequential  game  structure,  combined  with  a  data-adaptive  procedure  for  calibrating  robustness  parameters  without  requiring  arbitrary  assumptions  about  distributional  uncertainty.  Simulation  evidence,  and  a  reanalysis  of  a  randomized  microcredit  experiment  in  Morocco,  show  that  these  methods  outperform  random  and  stratified  sampling  of  sites,  and  alternative  optimization  methods  i)  for  moderate-to-large  size  problem  instances  ii)  when  covariates  are  moderately  informative  about  treatment  effects,  and  iii)  under  induced  distribution  shift.The  second  paper,  "Collusive  and  Adversarial  Replication'',  studies  a  game  in  which  social  ties  between  members  of  a  research  community  may  discourage  prospective  replicators  from  debunking  papers  that  misreport  results.  Here,  replication  is  an  entrance  decision,  as  a  Replicator  chooses  whether  or  not  to  Replicate  a  given  paper.  A  high  level  of  social  connectedness  between  members  of  a  research  community  increases  the  field-wise  False  Discovery  Rate,  a  measure  of  the  social  welfare  associated  with  a  healthy  publication  process.  The  moral  is  that  larger,  more  diverse  academic  fields  with  fewer  social  ties  are  more  likely  to  have  an  adversarial  culture  around  replication,  and  that  this  improves  social  welfare.  I  consider  three  proposals  to  improve  replication  practices:  Random  auditing,  or  police-patrol  replication;  automated  unit  tests;  and  a  recent  proposal  to  lower  the  threshold  for  statistical  significance.  I  argue  that  random  auditing  and  automated  unit  tests  can  improve  social  welfare,  but  that  the  effect  of  lowering  the  statistical  significance  threshold  is  ambiguous.The  third  paper,  "Why  LLMs  Hallucinate'',  argues  that  LLMs  hallucinate  because  their  output  is  not  constrained  to  be  synonymous  with  claims  for  which  they  have  evidence:  a  condition  I  call  evidential  closure.  Information  about  the  truth  or  falsity  of  sentences  is  not  statistically  identified  in  the  standard  neural  language  generation  setup,  and  so  cannot  be  conditioned  on  to  generate  new  strings.  We  then  show  how  to  constrain  LLMs  to  produce  output  that  satisfies  evidential  closure.  A  multimodal  LLM  must  learn  about  the  external  world  (perceptual  learning);  it  must  learn  a  mapping  from  strings  to  states  of  the  world  (extensional  learning);  and,  to  achieve  fluency  when  generalizing  beyond  a  body  of  evidence,  it  must  learn  mappings  from  strings  to  their  synonyms  (intensional  learning).  The  output  of  a  unimodal  LLM  must  be  synonymous  with  strings  in  a  validated  evidence  set.  Finally,  I  present  a  heuristic  procedure,  Learn-Babble-Prune,  that  yields  faithful  output  from  an  LLM  by  rejecting  output  that  is  not  synonymous  with  claims  for  which  the  LLM  has  evidence.
■590    ▼aSchool  code:  0028.
■650  4▼aStatistics
■650  4▼aPolitical  science
■650  4▼aComputer  science
■653    ▼aCausal  inference
■653    ▼aSelective  inference
■653    ▼aPerceptual  learning
■690    ▼a0463
■690    ▼a0615
■690    ▼a0984
■71020▼aUniversity  of  California,  Berkeley▼bPolitical  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359187▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서