Ivy:用于因果推断的工具变量合成
机器学习
2020-04-14 v1 机器学习
摘要
从观测数据估计变量 x 对 y 的因果效应的一种流行方法是使用工具变量(IV):一个仅通过 x 影响 y 的第三变量 z。z 与 x 的关联越强,估计越可靠,但此类强 IV 难以寻觅。相反,从业者将更常见的 IV 候选---其未必是强或甚至有效的 IV---组合为单一“汇总”量,代入因果效应估计器以替代 IV。在遗传流行病学中,此类方法被称为等位基因评分。等位基因评分需要强假设---所有 IV 候选的独立性与有效性---方能使所得估计可靠。为放宽这些假设,我们提出 Ivy,一种能以鲁棒方式处理相关且无效 IV 候选的新组合方法。理论上,我们刻画了该鲁棒性、其局限及其对所得因果估计的影响。实证上,Ivy 能正确识别已知关系的方向性,并在三个无因果效应的真实数据集上对抗错误发现(中位效应量 <= 0.025)表现鲁棒,而等位基因评分返回更具偏倚的估计(中位效应量 >= 0.118)。
引用
@article{arxiv.2004.05316,
title = {Ivy: Instrumental Variable Synthesis for Causal Inference},
author = {Zhaobin Kuang and Frederic Sala and Nimit Sohoni and Sen Wu and Aldo Córdova-Palomera and Jared Dunnmon and James Priest and Christopher Ré},
journal= {arXiv preprint arXiv:2004.05316},
year = {2020}
}