具有噪声处理变量且无侧信息的可识别因果推断
机器学习
2024-09-13 v3 统计方法学
机器学习
摘要
在某些因果推断场景中，处理变量被不准确地测量，例如在流行病学或计量经济学中。若未对此测量误差的影响进行校正，会导致有偏的因果效应估计。先前的研究尚未从因果视角研究解决该问题的方法，同时允许复杂的非线性依赖且不假设可获得侧信息。针对此类场景，本研究提出一种模型，假设连续处理变量被不准确地测量。基于已有的测量误差模型结果，我们证明即便没有侧信息且不知晓测量误差方差，我们模型的因果效应估计也是可识别的。我们的方法依赖于深度潜变量模型，其中高斯条件分布由神经网络参数化，并且我们开发了用于训练模型的摊销重要性加权变分目标。实证结果表明该方法在未知测量误差下具有良好的性能。更广泛地，我们的工作拓展了可进行可靠因果推断的应用范围。
引用
@article{arxiv.2306.10614,
title = {Identifiable causal inference with noisy treatment and no side information},
author = {Antti Pöllänen and Pekka Marttinen},
journal= {arXiv preprint arXiv:2306.10614},
year = {2024}
}
备注
20 pages, 10 figures. Changes consist of polishing the previous version. The experiments and results remain the same