基于划分的局部发现：围绕暴露-结局对的多项式时间因果发现
机器学习
2024-06-04 v3 机器学习
统计方法学
摘要
因果发现对于观测研究中的因果推断至关重要，因为它能够识别用于无偏效应估计的有效调整集（VAS）。然而，在非参数设定下，全局因果发现 notoriously 困难，最坏情况下具有指数级的时间和样本复杂度。为此，我们提出基于划分的局部发现（LDP）：一种针对下游推断任务定制的局部因果发现方法，无需参数化和处理前假设。LDP 是一种基于约束的过程，在给定充分条件且存在潜在混杂的情况下，为暴露-结局对返回一个 VAS。所执行的独立性检验总数在最坏情况下相对于变量集的基数呈二次增长。渐近理论保证在合成图上得到了数值验证。与基线发现算法相比，LDP 得到的调整集产生了偏差更小、更精确的平均处理效应估计，且 LDP 在混杂因子召回率、运行时间和 VAS 发现的检验次数上均优于基线。值得注意的是，在基准测试上 LDP 的运行速度至少比基线快 1300 倍。
引用
@article{arxiv.2310.17816,
title = {Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around Exposure-Outcome Pairs},
author = {Jacqueline Maasch and Weishen Pan and Shantanu Gupta and Volodymyr Kuleshov and Kyra Gan and Fei Wang},
journal= {arXiv preprint arXiv:2310.17816},
year = {2024}
}