在加权 FDR 校正 p 值引导下与领域专家共同开发因果图
摘要
本文提出了一种促进领域专家与统计建模师之间共同设计因果图的方法. 以构建因果图为起点的现代因果分析为稳健分析和有充分依据的决策支持提供了益处. 此外, 该过程可以丰富数据科学项目的发现与规划阶段. 其关键前提是, 将相关统计信息绘制在因果图结构上可以促进领域专家与建模师之间直观的讨论. 此外, 手工构建因果图, 将人类专业知识与稳健的统计方法相结合, 有助于确保负责任的 AI 实践. 本文重点关注使用控制错误发现率 (FDR) 的多重性校正 p 值, 作为共同设计因果图的辅助. 确定了一系列与因果图构建相关的假设族, 包括评估相关强度、因果效应方向以及估计的结构因果模型在多大程度上诱导了观测到的协方差结构. 文中描述了一个迭代流程, 其中基于专家对可能因果关系的信念起草初始因果图. 领域专家的信念以排名分数的形式传达, 可以纳入 Benjamini 和 Kling 提出的度量 FDCR (False Discovery Cost Rate) 的控制中. 随后, FDCR 校正的 p 值提供反馈, 表明图的哪些部分得到了数据的支持或与数据相矛盾. 这种共同设计过程持续进行, 通过添加、删除或修改图中的弧, 直到专家和建模师在基于领域知识和数据证据的令人满意的因果结构上达成一致.
引用
@article{arxiv.2409.03126,
title = {Co-Developing Causal Graphs with Domain Experts Guided by Weighted FDR-Adjusted p-values},
author = {Eli Y. Kling},
journal= {arXiv preprint arXiv:2409.03126},
year = {2025}
}
备注
Presented at OR66 [The Operational Research Society annual conference 2024] (https://www.theorsociety.com/ORS/ORS/Events/2024/OR66/OR66.aspx?gad_source=1&gclid=Cj0KCQjwiuC2BhDSARIsALOVfBJpzIFWGHwigMMGK2R8R2ucyHU7Edu6FeM8QY-zs98QxlrxOUWpzXYaAvxBEALw_wcB)