Feb, 2013

因果模型中带有潜在变量和工具变量的可测性

PDF
TL;DR本文提取了某些牵涉到未测量变量的因果模型，虽然在观测到的变量之间不会产生独立性约束，但仍然会暗示观测分布的不等式约束。利用一个通用公式推导出了这样的工具变量（instrumental variables），即直接影响某些变量但不影响所有变量的外生变量。可以借助此公式测试涉及工具变量的模型是否能够解释数据，或者反过来，确认给定变量是否可以视为工具变量。
causal modelsunmeasured variablesinequality constraintsinstrumental variablesexogenous variables
发现论文，激发创造
  • 关于带有隐藏变量的因果模型的可测试性推论

    本文提出了一种系统的方法来识别功能约束，从而有助于测试因果模型并从数据中推断出这样的模型。

    Dec, 2012

  • 具有（某些）无效工具的有效因果推断

    本文提出一种方法，使用多个工具变量估计器计算最可能的因果效应，从而在不依赖于「排除假设」的情况下进行一致的工具变量估计。

    Jun, 2020

  • 因果推断与机器学习中的工具变量方法：一项调查

    介绍和讨论 IV 方法及其在因果推断和机器学习中的应用，主要包括两阶段最小二乘法、控制函数和 IV 评估；总结了实际应用场景中的数据集和算法，并讨论了未来研究的方向和问题。

    Dec, 2022

  • 利用独立仪器：鉴别和分布泛化

    介绍了一种基于 HSIC-X 工具的因果推断方法，该方法能够在考虑隐藏共变量的情况下，利用独立性进行精确推断，并在分布变化时具有不变性和最优性。

    Feb, 2022

  • 在潜变量和选择偏差存在的情况下进行因果推断

    研究了寻找因果关系的可靠程序，即使存在潜在变量和选择偏差，通过测量变量之间的依赖关系，可以得出从一个变量到另一个变量的因果路径以及不存在这样的因果路径的可靠条件。

    Feb, 2013

  • 利用泄漏工具限定因果效应

    通过使用一个允许一定程度上违反排除性准则的泄露工具集合，我们提出了一种在线性模型中进行部分识别的新方法，其通过凸优化目标为平均处理效应提供可靠的下确界，并实现推断程序以量化结果估计的不确定性。

    Apr, 2024

  • 潜变量因果推断：最新进展与未来前景

    通过综述研究，我们对近期在潜变量条件下的因果推断相对于影响因素进行了全面的回顾，涵盖了因果效应估计、中介分析、反事实推理和因果发现等任务，并介绍了在大型语言模型时代下因果推断存在的新机会。

    Jun, 2024

  • 广义工具变量

    本论文讨论了如何评估结合非实验数据和定性领域知识的直接因果效应，其中领域知识以有向无环图的形式进行编码，并且提供了仪器变量方法的一般化，适用于具有少量条件独立性的模型。

    Dec, 2012

  • 使用深度生成模型的条件工具因果推断

    本文提出了一种基于深度生成模型的数据驱动方法，用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示，并实现平均因果效应估计。通过大量的合成和实际数据实验，证明该方法优于现有的 IV 方法。

    Nov, 2022

  • 使用工具变量估计纵向数据中具有时间依赖潜在混杂因素的因果推断

    提出了一种新的时间依赖仪器因子模型（TIFM）来从具有隐藏时间依赖混杂因素的数据中估计时变因果效应，并用循环神经网络（RNN）架构辅助推断潜在仪器变量以解决混淆偏差问题。

    Dec, 2023