社会科学中的因果特征学习
统计方法学
2025-03-18 v1 机器学习
应用统计
摘要
变量选择在因果建模中是一个重大挑战，尤其是在社会科学领域，由于诸多构造性（如年龄、社会经济地位、性别和种族）彼此相互关联。确实，有学者认为，这些属性必须建模为底层可操作特征的宏观抽象层次，以保留因果推断所必需的模块化假设。基于此，本文扩展了因果特征学习（CFL）的理论框架。实证方面，我们将 CFL 算法应用于多样化的社会科学数据集，评估 CFL 派生的宏观状态与传统微观状态在下游建模任务中的比较效果。
引用
@article{arxiv.2503.12784,
title = {Causal Feature Learning in the Social Sciences},
author = {Jingzhou Huang and Jiuyao Lu and Alexander Williams Tolbert},
journal= {arXiv preprint arXiv:2503.12784},
year = {2025}
}