May, 2024

Do Finetti：对可交换数据的因果效应研究

PDF
TL;DR在非独立同分布数据的情景中，我们研究因果效应的估计，重点关注满足独立因果机制假设的可交换数据。为了弥补现有因果效应估计框架的不足，我们开发了针对可交换数据的广义框架，并引入了截断因式分解公式，以促进在我们的情景中对因果效应的识别和估计。为了说明潜在的应用，我们介绍了一个因果泊利亚球模型，并展示了干预在可交换数据设置中如何传播效应。最后，我们开发了一个算法，可以在多环境数据中进行同时因果发现和效应估计。
发现论文，激发创造
  • 半参数邻近因果推断

    本文介绍了一种基于测量协变量的局部因果推断框架，其中正式承认协变量测量是难以完美匹配真实混淆机制的，为在基于观测数据的因果推断中提供新的思路。作者提出了一套非参数近端推断的条件，建立了平均处理效应的半参数近端推断理论，以及多种相容性分析方案，并在模拟情境和实际数据集评估中予以展示。

    Nov, 2020

  • 通过交换性实现可处理性：高效概率推断的新视角

    论文研究了有限可交换性及其与可计算概率推断的关系，并指出现有的升级推理算法隐含着条件独立和部分可交换性的结合。

    Jan, 2014

  • 识别条件因果效应

    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

  • 条件生成模型足以从任何因果效应估计中进行抽样

    通过条件生成模型的向前推导计算，我们展示了对于任意可识别因果效应的计算。基于此结果，我们设计了一种扩散基础的方法，在图像数据上从任意（条件）干预分布中采样。作为算法的应用，我们通过分析虚假相关性的强度和解耦的水平，对预先在 CelebA 数据集上训练的两个大型条件生成模型进行了评估。

    Feb, 2024

  • 可识别的可交换机制用于因果结构和表示学习

    通过交替可识别机制（IEM）统一了交换性数据和因果结构学习的框架，提出了新的可识别性结果，并希望为因果表示学习的进一步研究铺平道路。

    Jun, 2024

  • 朝着马尔科夫等价下界因果效应

    预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图（Partial Ancestral Graph）作为输入，提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。

    Nov, 2023

  • 接近因果学习简介

    本文提出了一种正式的潜在结果框架，用于接受不完美的代理变量并解决观察性研究中因未测偏差而引起的因果推断问题。通过引入足够的条件来实现非参数识别，并给出了相应的算法进行估计，其中包括对点处理和时变处理设置的处理，以及给出了使用近端 g 计算方法计算因果效应的应用案例。

    Sep, 2020

  • 从观测数据中估计高维干预效应

    本研究提出了一种利用干预演算法来推测协变量对响应参数的因果效应的算法，并运用这个方法去确定变量的重要性。

    Oct, 2008

  • 计量经济学中的因果推断和数据融合

    本文讨论了人工智能（AI）文献中关于因果推断的近期进展，其具有可自动化的算法标准、中等平衡的优势等特点，有望对计量方法做出贡献。

    Dec, 2019

  • 在线测试可交换性的插件马丁格尔

    本文致力于在线测试数据交换性假设，通过构造交换性鞅并提供一些新的方法来测试其假设。我们的鞅方法与之前介绍的假设检验方法相比具有更高的灵活性，在 USPS 和 Statlog 卫星数据两个基准数据集上取得了良好的结果。

    Apr, 2012