从观测与有限实验数据中学习调整集

由于混杂因素，从观测数据估计因果效应并非总是可行。识别一组适当的协变量（调整集）并调整其影响可消除混杂偏差；然而，这样的集合通常无法仅从观测数据中识别。实验数据没有混杂偏差，但样本量通常有限，因此会产生不精确的估计。此外，实验数据常包含有限的协变量集，因而对底层系统的因果结构提供的见解有限。本工作中，我们引入一种结合大规模观测数据与有限实验数据以识别调整集并改进因果效应估计的方法。该方法通过计算给定观测导出的潜在调整集先验概率下实验数据的边际似然来识别调整集（若可能）。以此方式，该方法可做出仅利用所有观测与实验数据中的条件依赖与独立关系无法做出的推断。我们表明，该方法在模拟数据中成功识别调整集并改进因果效应估计，且相较于结合实验与观测数据的最先进方法，有时能做出额外推断。