Dec, 2023

使用工具变量估计纵向数据中具有时间依赖潜在混杂因素的因果推断

PDF
TL;DR提出了一种新的时间依赖仪器因子模型（TIFM）来从具有隐藏时间依赖混杂因素的数据中估计时变因果效应，并用循环神经网络（RNN）架构辅助推断潜在仪器变量以解决混淆偏差问题。
causal inferencelongitudinal datalatent confoundersinstrumental variabletime-dependent confounders
发现论文，激发创造
  • 使用深度生成模型的条件工具因果推断

    本文提出了一种基于深度生成模型的数据驱动方法，用于从含有潜在混淆因素的数据中学习条件工具变量及其调节集的信息表示，并实现平均因果效应估计。通过大量的合成和实际数据实验，证明该方法优于现有的 IV 方法。

    Nov, 2022

  • 学习条件工具变量表示以进行因果效应估计

    利用分离表示学习的优势，提出了一种名为 DVAE.CIV 的新方法，用于从具有潜在混淆因素的数据中学习和分离 CIV 和其条件集的表示，并进行因果效应估计。对合成和真实世界数据集的广泛实验结果表明，与现有的因果效应估计方法相比，所提出的 DVAE.CIV 方法具有卓越的性能。

    Jun, 2023

  • 因果推断与机器学习中的工具变量方法：一项调查

    介绍和讨论 IV 方法及其在因果推断和机器学习中的应用，主要包括两阶段最小二乘法、控制函数和 IV 评估；总结了实际应用场景中的数据集和算法，并讨论了未来研究的方向和问题。

    Dec, 2022

  • 条件工具变量回归与表示学习用于因果推断

    本文研究了在存在未观察到的混淆因素的情况下，从观察数据中估计因果效应的复杂问题。我们使用条件性工具变量（CIV）来缓解标准工具变量方法中的无混淆工具变量条件，并提出一种基于混淆平衡表征学习的非线性 CIV 回归，CBRL.CIV，以非线性情况下共同消除未观察到的混淆因素的混淆偏差并平衡观察到的混淆因素，无需线性假设。我们从理论上证明了 CBRL.CIV 的合理性。对合成数据集和两个实际数据集进行的大量实验证明了 CBRL.CIV 与最先进的基于工具变量的估计器相比的竞争性能以及在处理非线性情况方面的优越性。

    Oct, 2023

  • 核工具变量回归

    该研究提出了一种非参数化的核工具变量回归方法，可以应用于探索观察数据中因果关系，并在实验中得到非常好的表现。

    Jun, 2019

  • 工具变量回归中学习深度特征

    本研究提出了一种新的方法，即深度特征工具变量回归（DFIV），用于解决仪器、处理和结果之间可能是非线性关系的情况。通过训练深度神经网络，定义仪器和处理的信息非线性特征。采用交替训练模式确保优良的端到端性能，解决了应用传统仪器变量回归可能存在的局限性，可有效提高其应用范围和性能。

    Oct, 2020

  • Auto IV: 自动仪器变量分解实现反事实预测

    本文提出了一种名为自动工具变量分解（AutoIV）算法来从观测变量（IV 候选变量）中自动生成具有 IV 角色的表达形式，通过最大化和最小化互信息约束来满足与处理和结果相关性和排除条件，以学习混淆因子及竞争信息以获得 IV 角色的表征，进而为基于 IV 的反事实预测生成有效的 IV 表征。

    Jul, 2021

  • 潜变量的工具变量回归混杂变量平衡

    本论文研究了工具变量回归中未测量混淆因素和观测混淆因素不平衡引起的混淆效应，提出一种混淆平衡的工具变量回归算法 (CB-IV) 来无偏估计治疗效应，进一步提高 CB-IV 的性能，扩展引入了潜在变量模块 (CB-IV-L)，实验证明了 CB-IV (-L) 算法优于现有的方法。

    Nov, 2022

  • 通过双机器学习学习决策策略的工具变量

    利用双 / 去偏机器学习框架设计的 DML-IV 算法，有效减小两阶段 IV 回归中的偏差并学习高性能策略。

    May, 2024

  • 具有（某些）无效工具的有效因果推断

    本文提出一种方法，使用多个工具变量估计器计算最可能的因果效应，从而在不依赖于「排除假设」的情况下进行一致的工具变量估计。

    Jun, 2020