边际因果流用于验证与推断

从复杂数据中研究干预对结果的边际因果效应仍然具有挑战性，这是由于所采用模型的灵活性不足以及因果基准数据集的复杂性缺乏，这些数据集往往无法再现复杂的真实数据模式。在本文中，我们引入了Frugal Flows，这是一种基于似然的新型机器学习模型，利用归一化流灵活地学习数据生成过程，同时直接从观测数据中推断边际因果量。我们提出这些模型非常适合用于生成合成数据以验证因果方法。它们可以创建与经验数据集高度相似的合成数据集，同时自动且精确地满足用户定义的平均处理效应。据我们所知，Frugal Flows是第一个既能学习灵活数据表示又能精确参数化平均处理效应和未观测混杂程度等量的生成模型。我们通过模拟和真实数据集上的实验展示了上述方法。