使用 R 包 causaleffect 识别因果效应
本文提出了 potential outcome calculus (po-calculus) 作为 Do-Calculus 的一种推广,用于能够包容更加复杂的嵌套反事实,从而得到了一个完整的算法,并在介入分析和算法公正的问题中解决了条件路径特定效应的识别问题。
Mar, 2019
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
本文研究非实验数据中确定因果关系的图形准则,提出了 Pearl 的工作和 Huang 和 Valtorta 的算法,并证明了 Pearl 提出的基本 do-calculus 规则是完整的。
Jun, 2012
本文研究了有向图表示的因果假设和以概率分布形式给出的统计知识对行为影响的阐明。在特定的情况下,我们感兴趣的是预测在一组变量上执行操作并随后对另一组变量进行测量所产生的条件分布。我们提供了一种必要且充分的图形条件,可用于唯一计算出这些分布的情况,同时还提供了一种算法。此外,我们使用我们的结果证明了对于相同的识别问题,do-calculus [Pearl, 1995] 是完备的。
Jun, 2012
本文主要研究的问题是通过 $do$-calculus 方法推断任意条件因果效应的可识别性问题,特别将正性假设显式引入,提出了相应的 sound and complete 算法,为 Lee et al. [2020] 和 Correa et al. [2021] 的研究工作进行了扩展,并不局限于观测分布 $P (V)$。
Jun, 2023
本文提出了一种解决通过在对更容易操纵的目标变量 Z 上进行实验,来估计对一组变量 X 进行干预的效果的方法,通过提供 z - 可识别性的图形必要和充分条件以及使用我们的结果来证明 Z - 可识别性的完备性。
Oct, 2012
该研究介绍了一种叫做 “集群有向无环图(Cluster DAGs)” 的新型图形建模工具,其可以基于有限的先验知识提供变量之间关系的部分规范,从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下,本研究还开发了基于 “Pearl's Causal Hierarchy” 的各层级的变量集聚进行推理的方法,并验证了 C-DAGs 的有效性。
Feb, 2022
本文使用范畴论方法对因果模型进行了分类处理,从 “纯因果” 的角度定义了因果独立 / 分离、因果条件等重要概念,并产生了一个核心部分的语法版本的 syntactic do-calculus 在所有因果模型中继承。
Apr, 2022