基于 Copula 归一化流的未观测混杂敏感性分析

我们提出了一种用于因果推断中未观测混杂敏感性分析的新方法。该方法建立在我们称之为 $\rho$-GNF 的基于 Copula 的因果图归一化流之上，其中 $\rho \in [-1,+1]$ 是敏感性参数。该参数表示由未观测混杂引起的暴露与结果之间的非因果关联，并被建模为高斯 Copula。换句话说，$\rho$-GNF 使学者能够将平均因果效应（ACE）估计为 $\rho$ 的函数，从而考虑各种混杂强度。$\rho$-GNF 的输出是我们所称的 $\rho_{curve}$，它提供了在给定假设 $\rho$ 值区间下 ACE 的边界。$\rho_{curve}$ 还使学者能够识别出使 ACE 无效所需的混杂强度。我们还提出了敏感性分析方法的贝叶斯版本。对敏感性参数 $\rho$ 假设一个先验分布，使我们能够推导出 ACE 的后验分布，进而得出可信区间。最后，基于模拟和真实世界数据的实验，我们展示了该敏感性分析方法的优势。