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
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
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
本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术,并使用相互信息对混淆估计器进行正则化,同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果,并在模拟和医学临床案例中进行了验证。
May, 2018
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。
Feb, 2013
应用贝叶斯框架构建了一个新的因果模型,利用可识别因果方向的贝叶斯模型选择方法,在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。
Jun, 2023
研究了针对一些未观测到的 (离散值) 直接因素的线性切换回归模型的 MLE 的存在性、一致性和渐近正态性的充分条件,构建了一种测试工具以及一种因果发现算法,并测试发现该算法在模型违规的情况下也具有鲁棒性,且表现优于现有的方法,同时还能够对数据点进行基于过程的聚类。
Aug, 2018
利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题,该方法基于变分自编码器,效果显著优于现有方法且可达到同类方法的最佳水平。
May, 2017
从观察性文本数据中估计因果效应时,考虑潜在协变量的调整至关重要。然而,现有方法只考虑影响治疗和结果的混杂协变量,可能导致偏倚的因果效应估计。本研究旨在通过揭示不同变量之间的相互作用来解开估计文本因果效应时的非混杂协变量,从而减小偏倚。解开过程确保协变量只对各自的目标贡献,实现变量之间的独立性。此外,我们引入约束条件来平衡治疗组和对照组的表示,以减轻选择偏倚。在不同场景下,我们对两种不同处理因子进行实验,实验证明了我们提出的模型明显优于最近的强基线。此外,对收入电话会议记录的彻底分析表明,我们的模型能够有效解开变量,进一步的研究为投资者提供了决策指南。
Nov, 2023
本文提出了一种基于深层潜在变量模型和重要性加权变分目标的测量误差下因果推断的方法,使得即使没有测量误差方差和侧面信息,也可以得出可靠的因果效应估计。