缺失性独立性和机制偏移下的因果推断
统计方法学
2025-06-19 v1 统计理论
统计理论
摘要
在具有缺失数据结构模型中恢复因果效应往往依赖于 m 图，这些图假设缺失性机制直接不影响实质变量。然而，在许多实际情境下，缺失数据可能影响决策过程，因为关键信息的缺失可能影响下游动作和状态。为克服这一限制，我们引入了 lm-SCMs 和 lm-图，这些图扩展了 m 图，通过整合一组标签集合来表示相关的情境特定独立性（CSI），以解释由缺失性引起的机制偏移。我们定义了系统中的两种因果效应：完全平均处理效应（FATE），反映在假设数据未缺失的情景下产生的效应；自然平均处理效应（NATE），捕捉系统中未改变的 CSI 下产生的效应。我们提出了这些查询的恢复准则，并针对受真实世界应用启发的图形模型提出了双鲁棒估计器。模拟结果突显了这些估计量和估计方法之间的关键差异。来自该应用案例的发现表明，ADHD 治疗对挪威儿童的考试成就几乎没有小幅效应，缺失的前测分数导致了轻微的效应偏移。
引用
@article{arxiv.2506.15441,
title = {Causal inference amid missingness-specific independencies and mechanism shifts},
author = {Johan de Aguas and Leonard Henckel and Johan Pensar and Guido Biele},
journal= {arXiv preprint arXiv:2506.15441},
year = {2025}
}