无观测混淆的可加噪声模型中的平均因果效应识别
统计方法学
2024-07-16 v1 机器学习
摘要
可加噪声模型（ANMs）是因果推断中研究的重要情形。大多数现有关于ANMs的工作假设因果充分性，即不存在未观测混淆器。本文聚焦于无观测混淆器的ANMs，其中一组处理变量和目标变量受到遵循多元正态分布的未观测混淆器的影响。我们引入一种新方法，用于估计任意处理变量子集对结果的平均因果效应（ACEs），并演示，仅需一小组干预分布即可估计所有ACEs。此外，我们提出一种随机化算法，进一步将所需干预次数降低到节点数的对数幂。最后，我们表明这些干预也足以恢复观察变量之间的因果结构。这表明，在混淆ANMs中，仅需对数幂级的干预次数即可以高概率推断任意处理子集对结果的因果效应，即使处理变量之间的因果结构未知。仿真结果表明，该方法在有限样本情形下能够准确估计所有ACEs。我们还通过在半合成数据上进行评估，展示了该算法的实际意义。
引用
@article{arxiv.2407.10014,
title = {Identification of Average Causal Effects in Confounded Additive Noise Models},
author = {Muhammad Qasim Elahi and Mahsa Ghasemi and Murat Kocaoglu},
journal= {arXiv preprint arXiv:2407.10014},
year = {2024}
}