关键词probabilities of causation
搜索结果 - 8
- 连续和向量变量的因果概率
本文将原始因果概率(PoC)的概念从标量二元变量扩展到连续处理和结果变量,并进一步推广 PoC 来捕获多个处理和多个结果之间的因果效应。此外,我们考虑针对子群体的 PoC 以及包含多重假设条件的 PoC,以捕捉决策中更复杂的反事实信息。我们 - 合并数据集收紧因果概率界限
对于在临床、流行病学和公共政策应用中存在的具有不同治疗方案的外部数据集,提供一种在这种具有挑战性的情景中提供概率因果边界的符号化方法,这些边界适用于任意协变量和治疗的维度,并讨论了这些边界在现有文献中更紧的条件。
- 学习必要和充分的因果图
本文提出了一种能学习到只包含和我们感兴趣的结果相关的因果相关变量的必要和充分因果图(NSCG)的方法,该方法使用了因果关系的概率。我们开发了一个基于分数的算法来学习 NSCG,并在模拟和真实数据的实证研究中展示了该算法的性能优于现有算法,并 - 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。
- 因果概率:观测数据的作用
本文讨论了在实践中如何改进用于现代决策的因果概率的界限,特别是在考虑到观测数据的情况下。研究者们定义并限定了三个二元概率,分别是 PNS,PS 和 PN,这些概率在确定性和必要性方面发挥着重要作用。研究主要使用观测和实验数据,探讨了这些数据 - 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。
- 因果关系的概率:实验和观测样本的充分大小
本文针对决策问题,使用实验和观测数据推导出必要性和充分性(PNS)、充分性(PS)和必要性(PN)概率的尖锐边界。作者进一步提出了一种确定所需样本量的方法,并证明此样本量模拟稳定估计了 PNS 范围的界限。
- 非二元治疗与效应的因果概率
本文提供了理论边界,以估算多价治疗和效应的因果概率,并使用模拟研究评估了这些边界对各种数据组合的信息性,以及对实际决策的指导作用。