离散设定下因果推断的自动化方法

当因果量无法被点识别时，研究者通常寻求部分识别以量化可能取值的范围。然而，应用研究条件的特殊性可能使这种分析难以处理。我们提出了一种用于离散设定下因果推断的通用自动化方法。我们表明，带有离散数据的因果问题可归约为多项式规划问题，并提出了一种利用高效对偶松弛与空间分支定界技术自动界定因果效应的算法。用户声明估计量、陈述假设并提供数据（无论其如何不完整或误测）。算法随后在容许的数据生成过程上搜索，并输出与可用信息一致的最精确可能范围——即锐界——若存在点识别解则也包括该解。由于此搜索可能计算密集，我们的过程报告并持续细化非锐界范围，这些范围始终保证包含真实值，即便算法未运行至完成。此外，它提供了一种我们称之为 $\epsilon$-锐度的额外保证，刻画了不完整界的最坏情况松弛程度。经解析验证的模拟表明，该算法可应对经典障碍，包括混杂、选择、测量误差、不依从和无响应。