含噪声协变量的部分识别：一种鲁棒优化方法
机器学习
2022-02-23 v1 统计方法学
摘要
基于观测数据集的因果推断通常依赖于对协变量的测量与调整。在实践中，协变量的测量常常含有噪声和/或偏差，或者仅能获得其代理变量的测量。直接对这些不完美的协变量测量进行调整会导致有偏的因果估计。此外，若无额外假设，由于这些测量中的噪声，因果效应无法被点识别。为此，我们在用户对噪声水平给定假设下，研究含噪声协变量时因果效应的部分识别。关键观察是可将平均处理效应 (ATE) 的识别表述为一个鲁棒优化问题。该表述导出了一种高效的鲁棒优化算法，可对含噪声协变量的 ATE 进行界定。我们表明该鲁棒优化方法能将广泛的因果调整方法拓展至执行部分识别，包括后门调整、逆倾向得分加权、双重机器学习与前门调整。在合成与真实数据集上，我们发现该方法提供的 ATE 界具有比现有方法更高的覆盖概率。
引用
@article{arxiv.2202.10665,
title = {Partial Identification with Noisy Covariates: A Robust Optimization Approach},
author = {Wenshuo Guo and Mingzhang Yin and Yixin Wang and Michael I. Jordan},
journal= {arXiv preprint arXiv:2202.10665},
year = {2022}
}
备注
Proceedings of Conference on Causal Learning and Reasoning (CLeaR) 2022