基于表示学习的条件工具变量回归用于因果推断
机器学习
2023-10-04 v1 人工智能
摘要
本文研究在存在未观测混杂因素时，从观测数据中估计因果效应的挑战性问题。基于标准工具变量（IV）的两阶段最小二乘（TSLS）方法及其变体常用于消除混杂偏差，包括由未观测混杂因素引起的偏差，但它们依赖于线性假设。此外，标准 IV 上关于无混杂工具变量的严格条件过于强而不切实际。为解决标准 IV 方法的这些具有挑战性和实际性的问题（线性假设与严格条件），本文使用条件 IV（CIV）来放宽标准 IV 的无混杂工具变量条件，并提出一种带有混杂平衡表示学习（CBRL.CIV）的非线性 CIV 回归，用于在无需线性假设的情况下，联合消除来自未观测混杂因素的混杂偏差并平衡已观测混杂因素。我们从理论上证明了 CBRL.CIV 的合理性。在合成数据集与两个真实世界数据集上的大量实验表明，CBRL.CIV 相较于最先进的基于 IV 的估计量具有竞争性表现，并在处理非线性情形时具有优越性。
引用
@article{arxiv.2310.01865,
title = {Conditional Instrumental Variable Regression with Representation Learning for Causal Inference},
author = {Debo Cheng and Ziqi Xu and Jiuyong Li and Lin Liu and Jixue Liu and Thuc Duy Le},
journal= {arXiv preprint arXiv:2310.01865},
year = {2023}
}
备注
17pages, 3 figures and 6 tables