因果单元选择的算法和复杂性结果
该研究介绍了 Li 和 Pearl 所定义的单元选择问题,针对有所需反事实行为模式的人进行筛选,并且比较了该模型与 A/B 测试的区别和优越性,同时提供了更多模拟用例,并指出 A/B 测试普遍存在问题。
Oct, 2022
本研究提出一种算法来解决因果分析中的选择偏差,并证明了尽管存在选择偏差,可用数据的似然函数是单峰的。该算法可以用于解决可识别和不可识别查询,并通过因果期望最大化方案计算可识别情况下的因果查询值,否则计算上下界。实验表明该方法是实际可行的,并提供了理论收敛特性。
Jul, 2022
提出基于反事实的两种解释单元级变化的方法,使用博弈论中的 Shapley 值来解释各种输入粒度下的单元级变化,并通过案例研究探讨了这些方法的可靠性和可扩展性。
Jun, 2022
本文提出了一种用于区分具有意义排序的集合的分类变量中因果关系的统计学方法,它被命名为统一信道模型 (UCM),该方法基于对条件概率质量函数 (PMF) 的观察,使用统计检验来评估所提议的 UCM 是否适用,研究通过实验表明 UCM 与最近的其他同类方法比较具有竞争力。
Mar, 2023
我们探讨基于潜在目标的数据点选择在实际情境中普遍存在,这一选择过程常常扭曲统计分析。然而,我们认为该选择不仅仅是一种偏差,而是提供了深入了解隐藏生成过程的机会。因此,我们研究了选择在顺序数据中的因果结构,并证明了其可识别性,同时提出了一种算法来检测和识别选择结构以及其他类型的依赖关系。
Jun, 2024
我们提出了一种在面板数据设置中激励探索的合成控制方法,通过利用信息设计和在线学习的工具,为单位提供适用的干预建议,从而在不需要明确的单位结果重叠假设的情况下获得有效的对照估计。
Dec, 2023
本文提出了一种新方法来解决选择偏差的问题 —— 通过学习两组潜在的随机变量,一组对应导致选择偏差的变量,另一组对于预测结果非常重要,进而通过 Pearson 相关系数去降低它们的关联度,从而得以显式地减轻选择偏差。实验结果表明,该算法能够取得最先进的性能,并提高其没有显式建模选择偏差的对应算法的结果。
Dec, 2019