图形时间序列模型中的因果推理
本文探讨了对时间序列中的直接和间接原因的识别,并在图形限制下提供了必要且充分的潜变量条件。我们的理论结果和估计算法需要两个条件独立性测试才能确定观测到的候选时间序列是否是观测到的目标时间序列的原因。通过模拟和真实数据,我们的实验结果表明,我们的方法导致假阳性非常低,相对较低的假阴性率,优于广泛使用的 Granger 因果关系。
May, 2020
通过观察性时间序列研究干预的总效应的可识别性问题,我们考虑了系统的因果图的两种抽象:扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的,并提供了摘要因果图中可识别性的必要和充分图形条件。此外,我们提供了可调整的集合,可在总效应可识别时估计总效应。
Oct, 2023
我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同,我们提出了一种直接建立时间过程中事件之间因果关系的学习范式,并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具,包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习,我们的框架揭示和量化了看似无法解释的因果链接。
Feb, 2024
论文探讨了使用非实验数据和因果假设对行动效应进行评估的方法。提供了一种系统识别变量集之间的因果关系的程序,条件是一些变量被视为未观测到。可识别的条件因果效应通过观测到的联合分布来表示。
Jul, 2012
本文介绍了一种新的方法来发现多元时间序列数据中的因果关系,该方法结合因果发现算法和基于信息论的度量,可以推断线性和非线性关系以及构建潜在的因果图。我们在几个模拟数据集上评估了我们的方法的性能,并展示了有希望的结果。
May, 2023
本文概述了决策论框架的统计因果关系,该框架适合于解决确定应用原因的效果的问题,并详细介绍了该方法,并与其他当前的公式进行了比较和对比,涵盖的主题和应用包括混淆,对待疗法的影响,工具变量和动态治疗策略。
May, 2014
本文提出基于可识别因子模型的新的图形可识别性标准,以解决存在隐变量和选择偏差情况下,总效应识别问题。该标准可用于识别观察研究中的总效应,并为因子模型的识别条件提供了新的视角。
Jun, 2012
使用摘要因果图从观测数据中确定总效应的充分图形条件,即使存在隐藏的混杂和没有足够的变量集进行调整,也有助于从观测数据中理解和估计因果效应的持续努力。
Jun, 2024
本文介绍了一个完整的可识别性结果,该结果表征了所有情况,其中从总结因果图中直接效应可以图形化识别,并提供了两个可靠的有限调整集,可以用来估计直接效应。
Jun, 2023