ρ-GNF: 基于 Copula 与归一化流的对未观测混杂的敏感性分析
统计方法学
2024-08-23 v2 人工智能
计量经济学
机器学习
摘要
我们提出了一种利用 copula 和归一化流对观测性研究中的未观测混杂进行敏感性分析的新方法。利用结构因果模型的干预等价思想,我们发展了 ρ-GNF(ρ-图归一化流, ρ-graphical normalizing flow),其中 ρ∈[-1,+1] 是一个有界的敏感性参数。该参数表示由未观测混杂引起的后门非因果关联,并由高斯 copula 编码。换言之,ρ-GNF 使研究者能够将平均因果效应(ACE)估计为 ρ 的函数,同时考虑各种假定的未观测混杂强度。ρ-GNF 的输出是我们所称的 ρ_curve,它在给定假定 ρ 值区间时提供 ACE 的界。特别地,ρ_curve 使研究者能够识别使 ACE 失效所需的混杂强度,类似于其他敏感性分析方法(例如 E-value)。借助模拟和真实世界数据的实验,我们展示了 ρ-GNF 的优势。其中一个优势是,ρ-GNF 使用高斯 copula 来编码未观测原因的分布,这在许多应用环境中常用。该分布假设相比其他流行的敏感性分析方法产生了更窄的 ACE 界。
引用
@article{arxiv.2209.07111,
title = {$\rho$-GNF: A Copula-based Sensitivity Analysis to Unobserved Confounding Using Normalizing Flows},
author = {Sourabh Balgi and Jose M. Peña and Adel Daoud},
journal= {arXiv preprint arXiv:2209.07111},
year = {2024}
}
备注
12 main pages (+8 reference pages), 4 Figures, Accepted at Probabilistic Graphical Models (PGM) 2024. Oral Presentation