利用分位数区分因果与效应：双变量分位数因果发现
机器学习
2020-08-17 v4
摘要
利用观测数据进行因果推断具有挑战性，尤其在双变量情形下。通过最小描述长度原理，我们将“给定原因时其原因生成机制与效应生成机制相互独立”这一假设与分位数回归相联系。基于该理论，我们发展了双变量分位数因果发现（bQCD），一种在假设无混杂、选择偏倚或反馈情形下区分原因与效应的新方法。由于它使用多个分位数水平而非仅条件均值，bQCD 不仅适应加性、也适应乘性甚至位置—尺度生成机制。为说明我们方法的有效性，我们在合成与真实数据集上进行了广泛的实证比较。该研究表明，bQCD 对方法的不同实现（即分位数回归）具有鲁棒性，计算高效，并且优于最先进的方法。
引用
@article{arxiv.1801.10579,
title = {Distinguishing Cause from Effect Using Quantiles: Bivariate Quantile Causal Discovery},
author = {Natasa Tagasovska and Valérie Chavez-Demoulin and Thibault Vatter},
journal= {arXiv preprint arXiv:1801.10579},
year = {2020}
}
备注
To appear ICML 2020