无先验知识的数据驱动因果路径发现——一项基准研究
应用统计
2018-07-18 v2
摘要
因果发现拓宽了推断的可能性，因为相关性不提供关系方向的信息。常见方法针对需要先验知识的情况提出，用于发现处理/干预变量的影响或分析时间相关依赖。在一些实际应用中，需要更通用的技术，且已有相关提出。因此，本研究的目的是在不考虑真实情况和上下文信息的情况下，评估数据集中因果路径确定的准确性。该基准在具有因果效应配对（cause-effect pairs）的数据库上执行，使用由广义相关（GC）、核回归梯度（GR）和绝对残差准则（AR）以及因果加性建模（CAM）组成的框架。GC、AR和CAM的组合（多数投票）取得了80%的最佳总体准确率，但AR的灵敏度和特异度值最为接近。自助法模拟确立了正确因果路径确定的概率（哪些配对应保持不确定）。对于选定的配对子集，平均准确率随后提高到83%。所描述的方法可用于初步依赖评估，作为常用因果评估框架的初始步骤，或与先验假设进行比较。
引用
@article{arxiv.1807.02348,
title = {Data-driven causal path discovery without prior knowledge - a benchmark study},
author = {Marcel Młyńczak},
journal= {arXiv preprint arXiv:1807.02348},
year = {2018}
}
备注
18 pages along with 8 ones as supplementary; 5 figures; 4 tables; 27 references