基于核的近因因果学习：两阶段估计与矩约束
机器学习
2023-04-04 v7
摘要
我们解决在存在未观测混杂但观测到潜混杂变量代理时的因果效应估计问题。我们提出两种基于核的方法用于此设定下的非线性因果效应估计：（a）两阶段回归方法，和（b）最大矩约束方法。我们聚焦于近因因果学习设定，但我们的方法可用于求解由 Fredholm 积分方程表征的更广泛的一类反问题。特别地，我们提供了两阶段和矩约束方法在非线性设定下求解该问题的统一视角。我们为每种算法提供一致性保证，并展示这些方法在合成数据和模拟真实世界任务的数据上取得了有竞争力的结果。特别地，我们的方法优于早期不适合利用代理变量的方法。
引用
@article{arxiv.2105.04544,
title = {Proximal Causal Learning with Kernels: Two-Stage Estimation and Moment Restriction},
author = {Afsaneh Mastouri and Yuchen Zhu and Limor Gultchin and Anna Korba and Ricardo Silva and Matt J. Kusner and Arthur Gretton and Krikamol Muandet},
journal= {arXiv preprint arXiv:2105.04544},
year = {2023}
}
备注
44 pages, 5 figures, Figure 3, revised