具有约束条件的因果模型
本文提出了一种非常通用的方法来学习因果模型的结构,该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环(反馈回路)和潜在变量的存在。我们的方法基于因果路径的逻辑表示,允许将相当通用的背景知识集成,推理是使用布尔满足(SAT)求解器执行的。该过程是完整的,因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息,否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况,适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。
Sep, 2013
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
通过逻辑推理的方法,基于简单的关系逻辑陈述从部分观测到的关系推出因果关系的方法,可以在存在潜在变量和选择偏差的情况下找到对应局部祖先图的所有不变特征,发现每一个可识别的因果关系都对应了两种基本形式,因为该方法的基本构建块不依赖于图形结构,因此可以开发更稳健的推理,详细的询问方法和大规模应用方案。
Feb, 2012
通过添加附加变量,可以在模型中解决 Halpern-Pearl 定义的原因关系直觉上不合理的问题,但是在进行修改后是否会导致原因关系不太稳定的问题则取决于正常性假设的考虑。
Dec, 2014
本文提出了将因果抽象扩展到软介入,通过将非常量函数分配给变量,而不添加新的因果关系来增强因果抽象。具体而言,我们将 $ au$- 抽象从 Beckers 和 Halpern(2019)推广到软介入,并提出了进一步的软抽象定义来确保软介入之间存在唯一的映射,同时证明了我们的构造软抽象定义可保证干预映射具有特定和必要的显式形式。
Nov, 2022
该论文提出了一种算法,称为 COmbINE,可以处理来自不同数据分布下的重叠变量集合的数据集合,将数据的依赖关系和独立性转化为路径约束,并将它们编码为一个 SAT 实例,并将所有模型的不变和变异结构特征作为输出,方便地进行分析研究。
Mar, 2014
本文介绍了一系列干预措施,以帮助代理人在不同抽象水平之间进行权衡,探究其中信息的一致性和损失,并提出了用于评估和学习因果抽象的算法。最后,我们通过实证表明了不同措施和算法选择可能导致不同的抽象。
May, 2023
本文介绍并验证了一种关于干预和传染网络数据的简洁参数化方法(所谓链图模型),通过使用美国最高法院在 1994 年至 2004 年之间的案例数据和模拟数据对社交网络中的集体决策进行因果推断。
Dec, 2018