分门准则：通过辅助结果识别因果效应
统计方法学
2018-06-15 v2 人工智能
应用统计
摘要
我们提出了一种在可获得关于关注结果的细粒度信息时，估计时间序列数据中因果效应的方法。具体而言，我们考察了所谓的分门设定，其中结果变量可被分为两部分：一部分可能受到所研究原因的影响，另一部分则与之独立，且两部分共享相同的（未观测）混杂因素。我们证明，在这些条件下，识别问题可归结为检验观测变量间的独立性，并提出了一种利用此方法自动寻找数据中因果可识别子集的方法。我们通过估计亚马逊推荐系统对产品页面流量的因果影响来演示该方法，在数据集中发现了数千个满足分门准则的实例。与以往基于自然实验且局限于单一产品类别的研究不同，我们的方法适用于网站上浏览产品的一个大而有代表性的样本。与先前工作一致，我们发现广泛使用的点击率（CTR）指标高估了推荐系统的因果影响；根据产品类别，我们估计归因于推荐系统的流量中有 50-80% 即使没有任何推荐也会发生。我们最后给出了使用分门准则的指南，并讨论了该方法可应用的其他情境。
引用
@article{arxiv.1611.09414,
title = {Split-door criterion: Identification of causal effects through auxiliary outcomes},
author = {Amit Sharma and Jake M. Hofman and Duncan J. Watts},
journal= {arXiv preprint arXiv:1611.09414},
year = {2018}
}