用于从时间序列数据中识别因果效应的时间变动仪器
机器学习
2024-11-28 v1 人工智能
摘要
从时间序列数据中查询因果效应在医疗、经济、气候科学和流行病学等多个领域都至关重要。然而，在存在时间变化的潜在混杂变量的情况下，这一任务变得复杂，这些变量随时间影响治疗和结果变量，可能在因果效应估计中引入偏差。传统的工具变量（IV）方法因需要预定义工具变量或强假设而受限，这些假设在动态环境下不成立。为此，我们发展了一种新的时间变化条件仪器变量（CIV）用于消除因果效应估计中的偏差，称为 TDCIV。TDCIV 利用长短期记忆网络（LSTM）和变分自编码器（VAE）模型，从代理变量中在无先验知识的情况下解耦和学习时间变化 CIV 及其条件集的表示。在马尔可夫假设和代理变量可用性的前提下，我们理论上确立了这些学习表示用于消除时间变化潜在混杂变量偏差的有效性，从而实现准确的因果效应估计。我们提出的 TDCIV 是首个在不依赖于领域特定知识的情况下有效学习时间变化 CIV 及其相关条件集的方法。
引用
@article{arxiv.2411.17774,
title = {Leaning Time-Varying Instruments for Identifying Causal Effects in Time-Series Data},
author = {Debo Cheng and Ziqi Xu and Jiuyong Li and Lin Liu and Thuc duy Le and Xudong Guo and Shichao Zhang},
journal= {arXiv preprint arXiv:2411.17774},
year = {2024}
}
备注
14 pages