因果图中的分隔集与调整集：完备准则与算法框架
人工智能
2019-01-25 v3 机器学习
摘要
从非实验数据对因果效应的可识别性进行有原则的推理是图因果模型的重要应用。本文关注可通过协变量调整识别的效应，这是一种常用的估计方法。我们提出了一个算法框架，用于高效测试、构造和枚举祖先图（AGs）中的 -分隔集，祖先图是一类可表示关于潜在混杂因子是否存在的未知性的图因果模型。此外，我们证明了在定向无环图（DAGs）和极大祖先图（MAGs）中，由协变量调整进行的因果效应识别可归约为子图中的 -分隔。综合来看，这些结果给出了构造性准则，刻画了在存在潜在混杂的情况下，针对多变量暴露与结果识别所需因果效应时的所有调整集以及所有极小和最小调整集。我们的结果扩展了针对这些问题的若干特殊情形的现有解法。我们的高效算法使我们能够在随机 DAG 和 MAG 中实证量化协变量调整与 do-演算之间的可识别性差距，涵盖了广泛的情景。我们所提供算法的实现见于 R 包 dagitty。
引用
@article{arxiv.1803.00116,
title = {Separators and Adjustment Sets in Causal Graphs: Complete Criteria and an Algorithmic Framework},
author = {Benito van der Zander and Maciej Liśkiewicz and Johannes Textor},
journal= {arXiv preprint arXiv:1803.00116},
year = {2019}
}
备注
52 pages, 20 figures, 12 tables