融合模糊逻辑与因果推断：增强Pearl和Neyman-Rubin方法论

在本文中，我们通过引入一种融合模糊逻辑的广义方法，推广了因果推断中的Pearl和Neyman-Rubin方法论。具体来说，我们引入了一种模糊因果推断方法，该方法同时考虑了数据中固有的模糊性和不精确性，以及以“高”、“中”、“低”等模糊术语为特征的主观人类视角。为此，我们引入了两个模糊因果效应公式：模糊平均处理效应(FATE)和广义模糊平均处理效应(GFATE)，以及它们的归一化版本：NFATE和NGFATE。当处理二元处理变量时，我们的模糊因果效应公式与经典的、在因果推断中成熟且流行的平均处理效应(ATE)公式一致。在FATE中，处理变量的所有值被视为同等重要。相比之下，GFATE考虑了这些值的稀有性和频率。我们证明，对于线性结构方程模型(SEM)，我们公式的归一化版本NFATE和NGFATE等价于ATE。此外，我们为这些公式提供了可识别性标准，并证明了它们对模糊子集和所涉及概率分布的微小变化的稳定性。这确保了我们的方法在处理数据中的微小扰动时的鲁棒性。最后，我们提供了几个实验示例，以实证验证并展示我们提出的模糊因果推断方法的实际应用。