ConfoundingSHAP：衡量因果推断中混杂因素强度
机器学习
2026-05-12 v1
摘要
在因果推断中，混杂变量是同时影响治疗决策和结果的变量。然而，与随机临床试验不同，观察性研究中的治疗分配机制是未知的，因此难以确定哪些协变量充当混杂变量。本研究旨在回答：哪些观察到的协变量充当混杂变量？我们提出了 ConfoundingSHAP，这是一种基于 Shapley 值的混杂强度归因方法。我们的贡献有两个方面：首先，我们针�推断协变量混杂强度的 Shapley 游戏。我们的 Shapley 值不同于对因果目标（如理解治疗效应异质性）进行标准 SHAP 解释的应用方式。其次，由于该任务需要评估许多调整集合的值函数，我们提供了基于 TabPFN 的可扩展估计方法，避免了穷举式重新拟合。我们在多个数据集上演示了其实际价值，ConfoundingSHAP 提供了关于哪些观察到的协变量驱动混杂的有益解释，从而帮助在实践中获得更多因果推断见解。
引用
@article{arxiv.2605.10533,
title = {ConfoundingSHAP: Quantifying confounding strength in causal inference},
author = {Marie Brockschmidt and Santo M. A. R. Thies and Maresa Schröder and Dennis Frauen and Valentyn Melnychuk and Maximilian Muschalik and Eyke Hüllermeier and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2605.10533},
year = {2026}
}