Sep, 2016

使用代理变量识别未被测量混杂因素的因果效应

PDF
TL;DR通过利用估算原因变量的代理变量，即使是由于未观测到的变量导致的因果效应也可以进行非参数识别。同时，如果有至少两个独立代理变量满足特定排名条件，则可以进行非参数识别。如果只有一个代理变量或者不满足所需的排名条件，则可以通过开发一种方法来测试无因果效应的零假设。这个结论推广了 Kuroki & Pearl (2014) 的标识策略，并且不需要标识代理关系的度量误差机制。
causal effectunobserved variableproxy variablesidentification strategymeasurement error
发现论文，激发创造
  • 利用代理变量方法进行未观测变量的因果发现

    本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试，这些非参数规则可以广泛适用于大量结构因果模型。

    May, 2023

  • 确定性混淆的核心单代理控制

    我们提出了两种基于核方法的因果效果估计方法，针对存在未观测混淆变量的情况下，利用单个代理变量可以一致性地估计因果效果，并在合成数据集上进行实证验证。

    Aug, 2023

  • 使用代理变量进行因果发现

    本研究提出了一个基于代理变量的框架，通过观测因果发现算法估计两个静态实体之间的因果关系，并将其应用于自然语言中的词汇对，结果显示我们的方法可以发现 75％的因果关系并讨论了代理变量在机器学习中的作用。

    Feb, 2017

  • 接近因果学习简介

    本文提出了一种正式的潜在结果框架，用于接受不完美的代理变量并解决观察性研究中因未测偏差而引起的因果推断问题。通过引入足够的条件来实现非参数识别，并给出了相应的算法进行估计，其中包括对点处理和时变处理设置的处理，以及给出了使用近端 g 计算方法计算因果效应的应用案例。

    Sep, 2020

  • 向因果不变性正则化：带代理的线性模型

    我们提出了一种学习线性模型的方法，该方法可使预测性能对无法观测变量的因果干预具有鲁棒性，当这些变量的噪声代理可用时。

    Mar, 2021

  • 使用代理变量从子采样时间序列中进行因果发现

    本论文提出了一种基于无模型的算法，使用代理变量方法识别从子采样时间序列中提取出的整个因果结构，能够非常好的处理未观测到的时间步问题，具有较好的理论优势并获得了实验结果的支持。

    May, 2023

  • 半参数邻近因果推断

    本文介绍了一种基于测量协变量的局部因果推断框架，其中正式承认协变量测量是难以完美匹配真实混淆机制的，为在基于观测数据的因果推断中提供新的思路。作者提出了一套非参数近端推断的条件，建立了平均处理效应的半参数近端推断理论，以及多种相容性分析方案，并在模拟情境和实际数据集评估中予以展示。

    Nov, 2020

  • 识别条件因果效应

    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

  • 因果效应的可识别性测试

    本篇论文关注于在未测量变量存在的情况下行动效果的概率评估。我们展示了单例变量 X 和一组变量 Y 之间的因果效应的辨识可以系统地完成，其时间复杂度多项式。当可辨识因果效应时，可以获得一个封闭形式的表达式，用于描述行动达到指定目标或一组目标的概率。

    Feb, 2013

  • 从高维代理变量中恢复潜在混淆因素

    从代理变量中检测潜在混淆因素是因果效应估计中的一个重要问题。我们提出了一种新颖的代理混淆因子分解（PCF）框架，用于处理通过高维、混合型代理变量表现出来的连续处理效应估计。

    Mar, 2024