Sep, 2023

子群体中的因果效应识别

PDF
TL;DR在子群体中的因果推断涉及确定干预对更大总体中特定子群体的因果效应。我们提出并倡导一种子群体中的因果推断问题（简称 s-ID），其中我们仅能访问目标子群体的观测数据（与整个总体相比）。现有的子群体推断问题基于所给数据分布源于整个总体的前提，因此无法解决 s-ID 问题。为了填补这一空白，我们提供了在因果图中必须满足的充分和必要条件，以确定从该子群体的观测分布中识别出子群体的因果效应。在给定这些条件的情况下，我们提出了一个对 s-ID 问题的完备的和可靠的算法。
causal inferencesub-populationobservational datacausal effectidentifiability
发现论文，激发创造
  • 在具有潜变量的子人群中的因果效应识别

    本文考虑了允许潜变量存在的 s-ID 问题的拓展，通过将经典的图形定义扩展为新的对应关系来应对潜变量在亚群中存在时引发的挑战，并提出了一种针对具有潜变量的 s-ID 问题的可靠算法。

    May, 2024

  • 从有限总体数据中学习因果概率

    本文提出了一种机器学习模型，用于在仅知晓有限人口数据的情况下学习亚人口因果概率的边界，并通过模拟研究表明，该机器学习模型能够仅通过约 500 个有限人口数据来学习 32768 个亚人口的必要性和充分性边界。

    Oct, 2022

  • 有关条件因果效应的可识别性

    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

  • 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

  • 利用代理实验进行因果推断: z - 可识别性

    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

  • 因果 K 均值聚类

    基于 Causal k-Means Clustering 的新解决方案，利用非参数效率理论和双机器学习开发了一种新的偏差校正估计器，在大非参数模型中实现了快速的平方根 - n 收敛速度和渐进正态性，特别适用于具有多个处理水平的现代广泛研究。

    May, 2024

  • 带有隐藏变量的图模型中因果效应的半参数推断

    本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的 influence function-based 估计器以及重要类别的隐藏变量 DAG，该类别在处理满足一个简单图形标准的情况下，生成调整和前门函数，同时还提供了统计模型的必要和充分条件。

    Mar, 2020

  • 选择偏差下的边界反事实

    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

  • 因果数量的 Epsilon 可识别性

    论文展示了如何在某些狭窄的限制边界内实现一些因果关系概率的部分可识别性，其中包括不可识别的因果效应和反事实概率，最后还将此应用到单位选择问题。

    Jan, 2023

  • 聚类 DAG 中的因果效应识别

    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