基于 Knockoff 干预的隐混淆下时间序列因果链接估计
机器学习
2022-11-21 v2 统计方法学
摘要
潜变量常掩盖观测数据中的因果效应关系，从而引发可能被误认为因果的虚假链接。该问题在气候科学和经济等领域引起极大兴趣。我们提出在使用 Knockoff 干预的同时，利用序列因果效应变分自编码器（SCEVAE）估计时间序列的混淆因果链接。Knockoff 变量与原始变量具有相同分布，并保留对其他变量的相关性。这使得反事实更忠实于观测分布。我们通过将 SCEVAE 应用于具有线性和非线性因果链接的合成数据集，展示了 Knockoff 干预的优势。此外，我们将带 Knockoff 的 SCEVAE 应用于真实的气溶胶-云-气候观测时间序列数据。我们在合成数据上将结果与带或不带估计混淆变量的时间序列去混淆方法进行比较。我们通过将两种方法均与真实情况比较，表明我们的方法优于该基准。对于真实数据分析，我们依赖因果链接的专家知识，并展示使用合适的代理变量如何在存在隐混淆时改善因果链接估计。
引用
@article{arxiv.2209.11497,
title = {Time Series Causal Link Estimation under Hidden Confounding using Knockoff Interventions},
author = {Violeta Teodora Trifunov and Maha Shadaydeh and Joachim Denzler},
journal= {arXiv preprint arXiv:2209.11497},
year = {2022}
}
备注
"A causal view on dynamical systems" Workshop at NeurIPS 2022