无完备知识下因果推断的祖先工具变量方法
人工智能
2023-12-12 v2
摘要
未观测混杂是从观测数据估计因果效应的主要障碍。当存在潜混杂时，工具变量（IV）被广泛用于因果效应估计。在标准 IV 方法中，给定 IV 有效时可获得无偏估计，但对标准 IV 的有效性要求严格且不可检验。条件 IV 通过以一组观测变量（称为条件 IV 的条件集）为条件，放宽了标准 IV 的要求。然而，寻找条件 IV 条件集的准则需要一幅表示观测与未观测变量因果关系的有向无环图（DAG），这使得直接从数据中发现条件集颇具挑战。本文通过利用极大祖先图（MAG）进行含潜变量的因果推断，研究了祖先 IV（一种使用 MAG 的条件 IV）的图性质，并发展了理论以支持在预处理变量假设下从数据中对给定祖先 IV 的条件集进行数据驱动发现。基于该理论，我们开发了利用给定祖先 IV 与观测数据进行无偏因果效应估计的算法。在合成与真实数据集上的大量实验证明了该算法相较现有 IV 方法的性能。
引用
@article{arxiv.2201.03810,
title = {Ancestral Instrument Method for Causal Inference without Complete Knowledge},
author = {Debo Cheng and Jiuyong Li and Lin Liu and Jiji Zhang and Thuc duy Le and Jixue Liu},
journal= {arXiv preprint arXiv:2201.03810},
year = {2023}
}
备注
11 pages, 5 figures and 2 tables