利用含潜在混杂因子与后处理变量的可辨识变分自编码器进行因果效应估计
机器学习
2024-08-15 v1 统计方法学
摘要
从观测数据中估计因果效应具有挑战性，尤其是在存在潜在混杂因子的情况下。尽管已有大量工作应对这一挑战，但大多数现有研究忽略了后处理变量引入的偏差。本文提出了一种联合变分自编码器（VAE）与可辨识变分自编码器（iVAE）的新方法 CPTiVAE，用于从代理变量中学习潜在混杂因子和潜在后处理变量的表示，从而实现对观测数据中因果效应的无偏估计。我们进一步证明了潜在后处理变量表示的可辨识性。在合成和半合成数据集上的大量实验表明，CPTiVAE 在存在潜在混杂因子和后处理变量的情况下优于最先进的方法。我们进一步将 CPTiVAE 应用于真实数据集以展示其潜在应用。
引用
@article{arxiv.2408.07219,
title = {Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables},
author = {Yang Xie and Ziqi Xu and Debo Cheng and Jiuyong Li and Lin Liu and Yinghao Zhang and Zaiwen Feng},
journal= {arXiv preprint arXiv:2408.07219},
year = {2024}
}