基于深度可辨识模型的原则性因果效应估计
机器学习
2022-04-22 v2 机器学习
计量经济学
统计方法学
摘要
作为因果推断中的一个重要问题，我们讨论处理效应（TEs）的估计。将混杂因素表示为潜变量，受足以识别TEs的预后评分启发，我们提出 Intact-VAE，一种变分自编码器（VAE）的新变体。我们的VAE还利用其先验自然给出对处理组平衡的表示。在（半）合成数据集上的实验显示了在包括未观测混杂在内的多种设定下的最先进性能。基于我们模型的可辨识性，我们证明了在未混杂情形下TEs的可识别性，并讨论了向更困难设定的（可能的）扩展。
引用
@article{arxiv.2109.15062,
title = {Towards Principled Causal Effect Estimation by Deep Identifiable Models},
author = {Pengzhou Wu and Kenji Fukumizu},
journal= {arXiv preprint arXiv:2109.15062},
year = {2022}
}
备注
Fully updated. Largely improve clarity, add identification under unconfoundedness (Sec. 4.2), and more. arXiv admin note: substantial text overlap with arXiv:2101.06662