关于因果图模型中高效最小代价调整集的注记
统计理论
2022-01-07 v1 机器学习
机器学习
统计理论
摘要
我们研究在个体化治疗规则下估计干预均值时调整集的选择问题。我们假设一个非参数因果图模型，可能含有隐变量，并且至少有一个由可观测变量构成的调整集。此外，我们假设可观测变量具有与之相关的正代价。我们将可观测调整集的代价定义为其所含变量代价之和。我们证明，在此设定下存在最小代价最优调整集，即相较于控制具有最小代价的可观测调整集的那些调整集，它们给出的干预均值非参数估计量具有最小渐近方差。我们的结果基于与原因果图相关联的一个特殊流网络的构造。我们证明，可通过计算该网络上的最大流，然后找出由源点经增广路径可达的顶点集合，来求得最小代价最优调整集。optimaladj Python 包实现了本文引入的算法。
引用
@article{arxiv.2201.02037,
title = {A note on efficient minimum cost adjustment sets in causal graphical models},
author = {Ezequiel Smucler and Andrea Rotnitzky},
journal= {arXiv preprint arXiv:2201.02037},
year = {2022}
}