Oct, 2017

Synth-Validation: 为给定数据集选择最佳因果推断方法

PDF
TL;DR本文提出了 synth-validation 方法，并使用它来估计在治疗效果研究中各种因果推断方法的估算错误，结果表明 synth-validation 方法能够降低预期的估计误差。
causal inferenceobservational datasynth-validationtreatment effectmethods
发现论文，激发创造
  • 学得的因果方法预测

    为了有效地决定在给定数据集上使用哪种因果推断方法，我们提出了 CAusal Method Predictor（CAMP），该框架通过利用多样的合成因果模型数据集来预测最佳方法，并通过自我监督的预训练目标减少了标记数据的需求，从而实现了根据数据特点以数据驱动的方式选择最佳方法。实验结果表明，CAMP 表现优于任何单个候选方法，对未见过的半合成和真实基准的泛化性能也很有前景。

    Nov, 2023

  • 因果推断综述

    本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

    Feb, 2020

  • 用于异质性因果效应的递归分区

    本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确，并将该方法应用于一个大规模的针对搜索引擎的实验。

    Apr, 2015

  • RealCause: 真实因果推断基准测试

    该研究论文使用灵活的生成模型提供基准，既可以提供因果效应的真实值，又可以代表真实数据，评估了 1500 多种不同的因果效应估计器，并提供证据表明使用预测指标选择因果效应估计器的超参数是合理的。

    Nov, 2020

  • 合成数据：能否信任统计估计器？

    在研究中，我们强调了推论效用的重要性，并提供了反对从合成数据（处理这些数据就好像它们是真实观察到的一样）进行天真推断的实证证据，我们认为即使估计是无偏的，阳性结果的率（类型 1 错误）将会不可接受地高，一个原因是低估了真实标准误差，它可能会随着更大样本量而逐渐增加，导致收敛较慢。这对于深度生成模型尤其是一个问题。在发布合成数据之前，开发针对这样的数据的统计推断工具至关重要。

    Dec, 2023

  • 因果推断分析性能评估基准框架

    本文介绍了一个综合框架，用于对评估算法进行基准测试，它包括用于预测的未标记数据、用于验证的标记数据以及使用已建立和新颖指标进行算法预测的自动评估的代码，并解决了缩放和数据屏蔽问题。

    Feb, 2018

  • 异质因果效应估计模型选择的实证分析

    研究因果推断中的模型选择问题，特别是针对二元处理条件下的条件平均处理效应（CATE）估计问题。作者设计了一种不依赖反事实数据的模型选择技术，并通过广泛实证分析验证了各种代理度量标准在真实数据集上的性能表现。

    Nov, 2022

  • 借助有效的非线性因果发现提升合成数据生成

    本文设计了一种合成数据集生成器，用于生成能够在生成时间发现变量之间非线性因果关系的表格数据的合成数据集，并根据在常见模式中有效检索的特征限制因果发现，通过广泛的实验表明所提出的方法的有效性。

    Jan, 2023

  • 反事实和合成控制的精确稳健的符合性推断方法

    介绍了针对政策评估的反事实和合成控制方法的新推断过程。将因果推理问题重新表述为反事实预测和结构性断裂检验问题，并开发置换推断过程以适应现代高维度估计器，能在弱和易验证的条件下有效地进行，并证明了对错误说明的稳健性。本方法可以与许多不同的方法结合使用，用于在没有政策干预的情况下预测反事实均值结果。我们的方法在模拟中表现出优秀的小样本性能，并进行数据应用，重新评估取消室内卖淫的后果。

    Dec, 2017

  • 合成控制模型的非参数识别性和敏感性分析

    本文提出了一种新的方案，通过不需要强假设的方法，利用原因不变性原则来检验干预的因果效应，并给出了敏感性分析框架以克服这些方法中的违反非参数识别的假设的问题，从而使基于线性合成控制模型的因果推断更加精确可靠。

    Jan, 2023