将非混杂协变量误判为混杂因素是否影响潜在结果框架下的因果推断？
统计方法学
2023-09-06 v2 人工智能
机器学习
摘要
潜在结果框架（Potential Outcome Framework, POF）在因果推断领域中占据重要地位。大多数基于 POF 的因果推断模型（CIMs-POF）旨在消除混杂偏差，并默认 underlying 假设为混杂协变量（Confounding Covariates）。该假设认为协变量仅由混杂因素构成。然而，混杂协变量假设在实践中难以维持，尤其在处理高维协变量时。尽管已有某些方法在因果推断前区分协变量的不同成分，但将非混杂协变量当作混杂因素处理的后果仍不明确。这种模糊性在实际场景中进行因果推断时构成了潜在风险。本文提出了一种用于 CIMs-POF 的统一图形框架，极大增进了对这些模型基本原理的理解。利用该图形框架，我们定量分析了当纳入各类非混杂协变量（如工具变量、中介变量、碰撞变量与调整变量）时，CIMs-POF 的推断性能受影响的程度。关键发现为：在消除混杂偏差任务中，协变量仅包含混杂因素为最优情形；在随后的反事实结果推断任务中，调整变量有助于更精确的推断。此外，在合成数据集上开展的广泛实验一致验证了这些理论结论。
引用
@article{arxiv.2308.11676,
title = {Does Misclassifying Non-confounding Covariates as Confounders Affect the Causal Inference within the Potential Outcomes Framework?},
author = {Yonghe Zhao and Qiang Huang and Shuai Fu and Huiyan Sun},
journal= {arXiv preprint arXiv:2308.11676},
year = {2023}
}
备注
12 pages, 4 figures