时间序列模型中的因果识别
机器学习
2025-04-30 v1 人工智能
统计方法学
机器学习
摘要
本文分析了 Causal Identification 算法应用于带有潜在混杂因子的因果时间序列图的可行性。由于这些图延伸至无限多个时间步，决定因果效应跨越任意时间间隔是否可识别似乎需要计算大小为无界的图段。即使对于决定靠近时间变量之间干预效应的可识别性，目前也没有人知道需要考虑多少个过去时间步。我们给出第一个此类界限，仅依赖于每个时间步的变量数目以及任何直接或潜在因果效应的最大时间滞后。更一般地，我们表明对时间序列图的固定大小片段应用 Causal Identification 算法足以决定因果效应的可识别性，即使跨越无界时间间隔也可如此判断。
引用
@article{arxiv.2504.20172,
title = {Causal Identification in Time Series Models},
author = {Erik Jahn and Karthik Karnik and Leonard J. Schulman},
journal= {arXiv preprint arXiv:2504.20172},
year = {2025}
}