用于网络观察数据下的因果推断的解耦仪器变量
人工智能
2026-02-10 v1
摘要
仪器变量(IV)对于解决不可观测混淆因素至关重要，但其严格的独立性假设在网络数据中提出了重大挑战。现有方法通常依赖于对邻居信息进行建模来恢复IV，从而不可避免地混合了由共享环境引起的内在相关性与individual-specific的外生变异，导致所得IV继承对未观测混淆因素的依赖并违反独立性。为克服这一挑战，我们提出Disentangled Instrumental Variables(DisIV)框架，这是一种基于具有潜在混淆因素的网络观察数据的因果推断方法。DisIV利用网络同质性作为归纳偏置，采用结构解耦机制提取individual-specific 分量作为潜在IV。通过显式的正交性和排除条件约束提取IV的因果有效性。在针对真实数据集的广泛半合成实验中，DisIV在网络引起的混淆下 consistently 在因果效应估计方面超越了最新的基线方法。
引用
@article{arxiv.2602.07765,
title = {Disentangled Instrumental Variables for Causal Inference with Networked Observational Data},
author = {Zhirong Huang and Debo Cheng and Guixian Zhang and Yi Wang and Jiuyong Li and Shichao Zhang},
journal= {arXiv preprint arXiv:2602.07765},
year = {2026}
}