评论：关于去混杂因子的反思
统计方法学
2019-10-18 v1 机器学习
摘要
本评论（将作为 JASA 的正式讨论出现）旨在从我与 Wang 和 Blei 就“多重因果之福” [arXiv:1805.06826] 中提出的去混杂因子(deconfounder)方法进行的长时间往返讨论中得出一些结论。我在此提出三点。首先，作为此次对话中的批评者，我将总结一些关于在该论文“非正式”信息建议可使用去混杂因子的多数设定中缺乏因果识别的论证。这一点在 D'Amour 2019 [arXiv:1902.10286] 中有详尽讨论，其促使了“Blessings”中定理 6–8 关于因果识别的结果。其次，我将论证为获得因果参数识别而向工作模型添加参数假设（定理 6 和实验示例中所遵循的策略）是一种风险策略，且仅应在有极强先验信息可用时进行。最后，我将考虑定理 7 和 8 中为一组狭窄但非平凡的因果估计量提供的非参数识别结果的含义。我将强调，从相对较弱的混杂因子假设下通过观测数据检测因果识别的角度，这些结果可能更为有趣。
引用
@article{arxiv.1910.08042,
title = {Comment: Reflections on the Deconfounder},
author = {Alexander D'Amour},
journal= {arXiv preprint arXiv:1910.08042},
year = {2019}
}
备注
Comment to appear in JASA discussion of "The Blessings of Multiple Causes."