Jun, 2024
将模糊逻辑与因果推断相结合：增强 Pearl 和 Neyman-Rubin 方法
Integrating Fuzzy Logic with Causal Inference: Enhancing the Pearl and Neyman-Rubin Methodologies
Amir Saki, Usef Faghihi
TL;DR本文介绍了一种模糊因果推理方法，利用模糊逻辑综合了 Pearl 和 Neyman-Rubin 方法，考虑了数据的模糊性和不确定性以及模糊术语如 “高”、“中” 和 “低” 所表达的主观人类观点。通过引入两个模糊因果效应公式：Fuzzy Average Treatment Effect（FATE）和 Generalized Fuzzy Average Treatment Effect（GFATE），以及它们的归一化版本：NFATE 和 NGFATE，对于二元处理变量，这些模糊因果效应公式与经典的平均处理效应（ATE）公式相一致。同时，提供了这些公式的可识别性标准，并展示了它们对模糊子集和概率分布的微小变化的稳定性，确保了方法在处理数据中的小扰动时的鲁棒性。最后，通过多个实验示例验证和展示了所提出的模糊因果推理方法的实际应用。