Individual causal effects from observational longitudinal studies with time-varying exposures
因果效应可能因个体而异,甚至可能是相反的迹象。当存在显著的效应异质性时,群体平均因果效应可能对个体无意义。由于因果关系的基本问题,个体因果效应(ICE)不能从横截面数据中检索。然而,在交叉研究中,人们普遍认为ICE可以在无遗留效应和潜在结果的时间不变性的假设下进行估计。一个通用的潜在结果公式与适当的统计假设,以确定ICE是缺乏其他纵向数据随时间变化的曝光。我们提出了一个因果效应异质性的一般框架,其中个体特异性效应修改参数化的潜在变量,接受性因素。如果暴露随时间变化,则重复测量包含关于个体的这种接受性因素水平的信息。因此,我们研究的条件分布的ICE给定的所有个人的事实信息。这种新的条件随机变量被称为跨世界因果效应(CWCE)。对于已知的因果结构和随时间变化的曝光,CWCE的可变性随着重复测量次数的增加而降低。在个体效应修正的跨世界相似性的因果假设下,CWCE可以从观察数据中识别出来(即存在一种暴露策略,其效应受到所有潜在原因的影响)。我们用例子说明了理论,在这些例子中,因果关系可以被参数化为广义线性混合分配。
2022-12-09 math.ST stat.ME stat.TH
Causal Inference with Hidden Mediators
最近提出的近因推理作为一个框架,以确定因果关系的影响,从观察数据中存在的隐藏的混杂因素,代理可用。在本文中,我们将近端因果推理方法扩展到确定因果效应取决于一组未观察到的介质的设置,但测量隐藏介质的易出错代理。具体来说,(i)我们建立了因果隐藏中介分析,它扩展了经典的因果中介分析方法,用于在没有不可测量的混杂的情况下识别自然的直接和间接影响,以确定利益中介是隐藏的,但它的代理是可用的。(ii)我们建立了隐藏的前门标准,它扩展了经典的前门标准,允许隐藏的中介代理可用。(iii)我们发现,在(i)和(ii)中的挑战可能共存的环境中,通过隐藏的介质,可以识别称为人口干预间接效应的某种因果效应。我们认为,㈠至㈢是实际应用前门标准和调解分析的重要步骤,因为对调解人的衡量几乎总是有误差的,因此,在实践中,人们最多只能希望这些衡量最多能代表调解机制。我们提出了在我们考虑的模型中感兴趣的参数的识别方法。在估计方面,我们提出了一种基于影响函数的估计方法,并对估计量的鲁棒性进行了分析。
2023-01-26 math.ST stat.ML stat.TH
Causal machine learning for high-dimensional mediation analysis using interventional effects mapped to a target trial
本研究针对高维中介分析,提出映射到目标试验的干预效应的因果机器学习估计器,开发一步及目标最小损失估计器,具备根n一致性、有效性和多重稳健性,并应用于澳大利亚儿童纵向研究案例。
2025-04-22 stat.ME
Assessing Time-Varying Causal Effect Moderation in Mobile Health
在旨在改变和维持行为的移动健康干预中,实时提供治疗以管理当前或即将发生的高风险情况或近实时地促进健康行为。目前,科学界对开发数据分析方法以指导移动干预措施的发展非常感兴趣。特别是来自移动健康研究的数据可以用于检查效应调节因子,即,个体特征、随时间变化的背景或既往治疗反应,可缓解当前治疗对后续反应的影响。本文介绍了一个正式的定义,为缓和的影响,在潜在的结果,一个定义,特别适合于移动的干预措施,治疗场合很多,个人并不总是可用于治疗,和潜在的主持人可能会受到过去的治疗。估计调节效应的方法开发和比较。所提出的方法说明使用BASICS-Mobile,基于智能手机的干预,旨在遏制大量饮酒和吸烟的大学生。
2016-08-17 stat.ME
Causal Representation Learning for Instantaneous and Temporal Effects in Interactive Systems
University of Amsterdam(阿姆斯特丹大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Qualcomm AI Research(高通人工智能研究院)
因果表示学习是从高维观测(如图像)中识别潜在因果变量及其关系的任务。最近的工作表明,人们可以重建因果变量的时间序列的观察下,假设它们之间没有瞬时的因果关系。然而,在实际应用中,我们的测量或帧速率可能比许多因果效应慢。这有效地创建了“瞬时”效果,并使先前的可识别性结果无效。为了解决这个问题,我们提出了iCITRIS,一种因果表示学习方法,当可以观察到干预目标时,该方法允许干预时间序列中的瞬时效果,例如,作为代理人的行为。iCITRIS从时间观测中识别潜在的多维因果变量,同时使用可区分的因果发现方法来学习它们的因果图。在三个数据集的交互式系统的实验中,iCITRIS准确地识别因果变量及其因果图。
2023-03-07 cs.AI cs.LG stat.ML
Tell me why! Explanations support learning relational and causal structure
DeepMind(深度思维)
推理世界的抽象关系和因果结构是学习代理的主要挑战。对人类来说,语言-特别是以解释的形式-在克服这一挑战方面起着相当大的作用。在这里,我们证明了语言可以在复杂环境中为深度RL代理发挥类似的作用。虽然代理通常很难获得关系和因果知识,但通过训练他们预测语言描述和解释来增加他们的经验可以克服这些限制。我们表明语言可以帮助智能体学习具有挑战性的关系任务,并研究语言的哪些方面有助于其益处。然后,我们表明,解释可以帮助代理推断不仅关系,而且因果结构。语言可以塑造智能体从模糊的、因果混淆的训练中概括分布外的方式,解释甚至允许智能体学习执行实验干预以识别因果关系。我们的研究结果表明,语言描述和解释可能是提高智能体学习和泛化能力的有力工具。
2022-05-25 cs.AI cs.LG stat.ML
Causal Conclusions that Flip Repeatedly and Their Justification
Carnegie Mellon University(卡内基梅隆大学)
在过去的二十年里,已经设计了几个一致的程序来从观测数据中推断因果关系的结论。我们证明了,如果真正的因果网络可能是一个任意的,线性高斯网络或离散贝叶斯网络,那么每一个明确的因果结论所产生的一致的方法从非实验数据是受逆转的样本大小增加任何有限的次数。这一结果被称为因果翻转定理,它扩展了先前的结果,即因果发现在给定的样本量上是不可靠的。我们认为,由于因果结论的反复翻转原则上是不可避免的一致的方法,最好的可能的发现方法是一致的方法,收回他们的早期结论不超过必要的。一系列的模拟各种方法在广泛的样本量具体说明了定理和原则的比较方法的回缩。
2012-03-15 cs.AI cs.LG stat.ML
Estimation of causal effects with small data in the presence of trapdoor variables
我们考虑的问题,估计因果影响的干预措施的观察数据时,众所周知的后门和前门的调整是不适用的。我们发现,当一个可识别的因果效应受到一个隐式的功能约束,这是不能推断的条件独立关系,估计的因果效应可以表现出偏差在小样本。这种偏差与我们称之为陷门变量的变量有关。我们使用模拟数据来研究不同的策略来解释陷门变量,并建议如何最大限度地减少相关的陷门偏差。陷门变量在因果效应估计中的重要性用生命历程1971-2002研究的真实数据来说明。使用这个数据集,我们估计在芬兰的背景下,教育对收入的因果关系。贝叶斯模型允许我们考虑参数的不确定性,并将估计的因果效应表示为后验分布。
2021-03-24 stat.CO stat.ME
Conducting Simulations in Causal Inference with Networks-Based Structural Equation Models
在过去的十年里,越来越多的文献致力于估计网络依赖数据中的因果效应。然而,许多经典统计方法在此类数据中的有效性经常受到质疑。现在需要客观和实际的方法来评估哪些因果方法可能适用于依赖网络的数据。本文介绍了一套工具,实现了simparseal R包,允许模拟数据的基础上,用户指定的结构方程模型的连接单元。针对静态、动态和随机干预实施反事实数据的规范和模拟。一个新的接口旨在简化连接单元之间基于网络的功能关系的规范。一组例子说明了如何将这些模拟应用于评估不同的统计方法,以估计网络相关数据中的因果效应。
2017-05-29 stat.AP stat.CO
Assessing lack of common support in causal inference using Bayesian nonparametrics: Implications for evaluating the effect of breastfeeding on children's cognitive outcomes
观察性研究中的因果推断通常需要在不同的组之间进行比较。例如,研究人员在调查延长母乳喂养时间对儿童结局的作用时,可能被迫对平均特征差异很大的妇女进行比较。在极端情况下,协变量空间可能存在邻域,其中两组女性(长期母乳喂养的女性和未长期母乳喂养的女性)的数量都不足以对这些女性进行推断。这被称为缺乏共同支持。当我们试图估计缺乏共同支持的单位的因果效应时,可能会出现问题,因此我们可能希望避免对此类单位的推断。如果对一组潜在混杂因素的可验证性得到满足,那么确定共同支持假设是否成立或对哪些单位成立是一个经验问题。然而,在高维协变量空间中,通常需要满足可扩展性,这样的识别可能不是微不足道的。用于解决这个问题的现有方法通常需要依赖于参数假设,并且大多数(如果不是全部)忽略了响应变量中嵌入的信息。我们区分“共同支持”和共同因果支持的概念。“我们提出了一种新的方法来确定共同的因果支持,解决了现有方法的一些缺点。我们使用全国青年纵向调查的数据来激励和说明这种方法,以估计母乳喂养至少9个月对5岁或6岁时阅读和数学成绩的影响。我们还评估了这种方法的比较性能在假设的例子和模拟真实的处理效应是已知的。
2013-11-28 stat.AP
Causality, Causal Discovery, and Causal Inference in Structural Engineering
本文从土木与结构工程视角系统阐述因果发现与因果推断的基本原理、常用算法及软件包,并通过案例展示其相对于传统机器学习方法的优势与应用方式。
2022-08-08 cs.LG stat.ME
Bayesian Causal Inference in Sequentially Randomized Experiments with Noncompliance
科学研究人员利用随机实验来得出随意的陈述。大多数早期的研究以及目前的工作与序贯干预决策的实验一直专注于估计序贯治疗之间的因果关系,忽略了不遵守的问题,实验单位可能不遵守的治疗分配,他们最初分配。针对定时治疗的随机实验中的不依从问题,已经发展了一系列的方法。然而,据我们所知,很少有文献研究的非依从性问题的序贯实验设置。在本文中,我们超越了传统的方法,使用每协议,作为治疗,或意向治疗分析,并提出了一个潜在的混合贝叶斯框架来估计样本平均处理效应序贯实验有不遵守的关注。
2022-07-26 stat.ME
Causal Analysis of Air Pollution Mixtures: Estimands, Positivity, and Extrapolation
该研究针对空气污染混合物因果推断中数据支持不足的问题,基于潜在结果框架定义混合物因果效应、形式化正定性假设并提出诊断指标,还重新划分了依赖观测数据与模型外推的因果估计量,以评估美国全国颗粒物数据集对混合物效应估计的支持能力。
2024-01-30 stat.AP stat.ME
Causal Inference for Case Studies in Behavioral Health
Wolf & Noble, Inc.(狼与贵族有限公司)
该研究针对行为健康案例研究及观察性 N=1 设置下未测量混杂因素的情况,提出基于Ω估计量的因果推断框架,证明在正性假设下结果的观察性和干预性支持重合,还通过可选条件扩展框架并以案例说明基本方法。
2026-07-09 stat.ME
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder
University College London(伦敦大学学院);The Hong Kong University of Science and Technology(香港科技大学)
针对真实场景中语义因子多存在因果依赖而非独立的问题,提出含因果层的CausalVAE框架,可学习可解释因果表示、识别DAG因果关系并生成反事实数据,且在一定监督下具备模型可识别性。
2023-12-19 cs.LG stat.ML
Confounding caused by causal-effect covariability
混淆严重损害了我们从观测数据中了解因果关系的能力。混杂可以定义为两个变量之间由于来自共同来源的输入(混杂因素)而产生的统计关联。例如,如果$Z\rightarrow Y$和$Z\rightarrow X$,则$X$和$Y$在统计上是相关的,即使两者之间没有因果关系。有几种方法可用于调整混杂因素,即消除或减少由于混杂因素导致的两个变量之间的关联。常见的调整技术包括对混杂因素进行分层分析,并将混杂因素作为协变量纳入回归模型。大多数调整依赖于这样的假设,即混杂因素对不同变量的因果影响不存在协变。例如,如果$Z$对$X$的因果效应和$Z$对$Y$的因果效应在观察单位之间共变,则在对$Z$进行校正后仍存在混杂效应。这种因果关系的协变性及其后果是本文的主题。因果效应协变性首先解释使用结构因果模型的框架。使用这个框架,很容易表明,因果关系的协变性通常会导致混淆,不能调整的标准方法。来自数据的证据表明,由因果效应协变引入的混杂可能是应用工作中的一个真正问题。
2018-05-15 stat.ME
Causal language jumps in clinical practice guidelines for diabetes management
Erasmus MC University Medical Center Rotterdam(伊拉斯姆斯大学医学中心鹿特丹)
本研究发现糖尿病管理指南中存在普遍的因果语言跳跃现象,需通过良好的因果推断实践来支持。
2025-03-05 stat.AP stat.ME
Estimating Population Average Causal Effects in the Presence of Non-Overlap: The Effect of Natural Gas Compressor Station Exposure on Cancer Mortality
大多数因果推断研究依赖于重叠的假设来估计总体或样本平均因果效应。当数据表现出不重叠,估计这些被估量需要依赖于模型规格,由于数据支持差。所有现有的方法来解决非重叠,如修剪或降低支持差的区域中的数据的权重,改变被估量。在环境健康研究中,研究结果往往旨在影响政策,被估量的变化可能会削弱研究的影响,因为估计数可能无法代表决策者感兴趣的人群中的影响。研究人员可能愿意做出额外的、最小的建模假设,以保持估计群体平均因果效应的能力。我们试图在这个问题上做出两点贡献。首先,我们提出了一个灵活的,数据驱动的定义倾向得分重叠和非重叠区域。其次,我们开发了一个新的贝叶斯框架来估计人口平均因果效应与较小的模型依赖性和适当的大的不确定性存在的非重叠。在这种方法中,估计重叠和非重叠区域的因果效应的任务被委托给两个不同的模型,适合于每个区域的数据支持的程度。树系综用于非参数估计重叠区域中的个体因果效应,其中数据可以为自己说话。在非重叠区域,数据支持不足意味着需要依赖模型规范,通过样条模型从重叠区域外推趋势来估计个体因果效应。我们的方法表现出良好的性能在模拟中。最后,我们利用我们的方法进行了一个新的调查天然气压缩机站暴露的因果关系对癌症的结果。
2018-09-13 stat.ME
Embarrassingly Causal: Causal Use of Associational Data in Magic The Gathering Drafts
The Pennsylvania State University(宾夕法尼亚州立大学)
本文探讨了在《魔法觉醒》卡牌抽取中,利用观察性数据进行因果推断的可行性,提出'令人尴尬的因果性'标准,认为在某些情况下,即使存在混杂因素,观察性数据仍可有效指导决策。
2026-04-20 stat.ME
Identification of Causal Structure with Latent Variables Based on Higher Order Cumulants
Guangdong University of Technology(广东工业大学);Peng Cheng Laboratory(鹏城实验室);Shantou University(汕头大学);Carnegie Mellon University(卡内基梅隆大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对含潜变量的因果发现中两观测变量受同一潜变量影响且可能存在有向边的结构识别难题,提出基于非高斯数据高阶累积量估计因果系数及其比值、结合非对称性准则判定因果边存在性与方向的新方法,经实验验证有效。
2023-12-19 cs.AI cs.LG stat.ME
SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph
University of Amsterdam(阿姆斯特丹大学);Radboud University Nijmegen(奈梅亨拉德堡德大学)
针对多变量因果发现计算需求高的问题,提出SNAP框架序贯剪枝目标的确定非祖先,可作为预处理或独立算法,大幅减少计算量与检验次数,且不影响因果效应估计质量。
2025-02-11 cs.AI cs.LG stat.ML
Synth-Validation: Selecting the Best Causal Inference Method for a Given Dataset
由于随机实验的成本和复杂性,医疗保健、商业和其他政策领域的许多决策都是在没有严格证据支持的情况下做出的。使用观察数据来回答因果问题是有风险的:接受不同治疗的受试者在影响结果的其他方面也存在差异。许多因果推断方法已经被开发出来,以减轻这些偏见。然而,没有办法知道在给定的研究中哪种方法可能产生处理效应的最佳估计。与交叉验证类似,交叉验证估计应用于给定数据集的预测模型的预测误差,我们提出了交叉验证,这是一种估计应用于给定数据集的因果推断方法的估计误差的过程。在验证中,我们使用观察到的数据来估计已知处理效应的生成分布。我们将每种因果推断方法应用于从这些分布中采样的数据集,并将效应估计值与已知效应进行比较以估计误差。使用模拟,我们表明,使用验证选择一个因果推断方法,为每个研究降低了预期的估计误差相对于一贯使用任何单一的方法。
2017-10-31 stat.ML
CUTS: Neural Causal Discovery from Irregular Time-Series Data
Tsinghua University(清华大学);Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)(清华大学脑与认知科学研究所);Chinese PLA General Hospital(中国人民解放军总医院)
从时间序列数据中发现因果关系一直是机器学习的核心任务。最近,Granger因果关系推理由于其良好的可解释性和与新兴的深度神经网络的高度兼容性而获得了发展势头。然而,现有的方法大多假设输入数据是结构化的,当遇到随机缺失数据或采样频率不均匀的数据时,这些方法的性能会大大退化,这就阻碍了它们在实际应用中的应用。为了解决这个问题,本文提出了一种神经Granger因果发现算法CUTS,通过在一个迭代框架中插入两个相互促进的模块来联合估算未观察到的数据点并构建因果图:(i)潜在数据预测阶段:设计了一个延迟监督图神经网络(Delayed Supervision Graph Neural Network,DSGNN)来对可能具有高维和复杂分布的非结构化数据进行幻觉和注册;(ii)因果图拟合阶段:在稀疏惩罚下用估算数据构建因果邻接矩阵。实验表明,CUTS有效地推断因果图从非结构化的时间序列数据,具有显着优于现有的方法的性能。我们的方法是一个有前途的一步,将因果发现应用到实际应用中的非理想观测。
2023-02-15 cs.LG stat.ME
Incremental causal effects
采取行动需要因果证据,而证据往往足以指向行动效果的方向。例如,政策制定者可能有兴趣估计略微增加税收对整个人口的私人支出的影响。我们研究因果效应的可识别性和估计,其中连续治疗在整个人群中略有变化(称为平均部分效应或增量因果效应)。我们发现,增量效应下的本地可互换性和局部重叠的假设,其中交换和积极性只在附近的单位。在这些假设下,未确定平均处理效应。在这种情况下,并且在平滑条件下,可以经由平均导数来估计增量效应。此外,我们证明,在某些有限样本的观察设置,估计增量效应比估计平均处理效应的渐近方差。对于高维设置,我们开发了一个简单的功能转换,允许双重稳健估计和增量因果效应的推断。最后,我们比较的增量处理效果和平均处理效应的实验中,包括数据启发的模拟估计的行为。
2020-08-07 stat.ME
Multiple imputation and test-wise deletion for causal discovery with incomplete cohort data
因果发现算法从观测数据中估计因果图。这可以提供一个有价值的补充分析集中在个别治疗结果对之间的因果关系。基于约束的因果发现算法在构建图时依赖于条件独立性测试。直到最近,这些算法还无法处理缺失值。在本文中,我们研究了两种替代的解决方案:测试明智的删除和多重插补。我们建立了测试删除下因果结构可恢复性的充分必要条件,并认为多重插补在因果发现的背景下比估计更具挑战性。我们通过从基准因果图模拟进行了广泛的比较:正如人们所料,我们发现测试式删除和多重插补都明显优于列表式删除和单重填补。至关重要的是,我们的研究结果进一步表明,多重插补是特别有用的设置中的一个小数目的高斯或离散变量,但当数据集包含一个混合的两种方法都不是最好的。我们比较的方法包括随机森林填补和混合程序相结合的测试明智的删除和多重插补。一个应用程序的数据IDEFICS队列研究的饮食和生活方式有关的疾病在欧洲儿童作为一个说明性的例子。
2021-08-30 stat.ME stat.ML
Two Layers of Instability in Causal Estimation
Alexis Bellot(亚历山大·贝尔特)
本文揭示因果估计中存在两层不稳定性:第一层是因果效应作为数据分布的函数不连续;第二层是估计器本身在数据分布上可能跳跃不连续,并基于决策理论提出稳定性取决于损失函数是否与因果效应一致。
2026-07-07 cs.LG stat.ME stat.ML
Generalized Thompson Sampling for Sequential Decision-Making and Causal Inference
最近,它已被证明如何从预测分布的最佳行动,有时被称为汤普森采样的采样行动,可以应用于解决顺序自适应控制问题,当最佳策略是已知的每个可能的环境。然后,预测分布可以通过最优策略的贝叶斯叠加来构建,所述最优策略由其后验概率加权,所述后验概率通过贝叶斯推断和因果演算来更新。在这里,我们讨论这种方法的三个重要特征。首先,我们讨论在多大程度上可以被视为政策不确定性的贝叶斯建模的自然结果,这样的汤普森采样。其次,我们展示了如何汤普森采样可以用来研究多个自适应代理之间的相互作用,从而开辟了一条途径的博弈论分析。第三,我们展示了如何汤普森抽样可以应用于推断因果关系时,与环境中的顺序方式进行交互。总之,我们的研究结果表明,汤普森抽样可能不仅是一个有用的启发式,但一个原则性的方法来解决问题的自适应顺序决策和因果推理。
2013-03-18 cs.AI stat.ML
Spatial causal inference in the presence of unmeasured confounding and interference
University of Florida(佛罗里达大学);Bristol Myers Squibb(百时美施贵宝)
本文提出了一种基于贝叶斯方法的空间因果推断框架,用于处理空间数据中未测量混杂和干扰问题,并通过模拟和实证数据验证了其有效性。
2026-02-15 stat.ME
Optimization-based Causal Estimation from Heterogenous Environments
Warrington College of Business(沃顿商学院);University of Florida(佛罗里达大学);University of Michigan(密歇根大学);Columbia University(哥伦比亚大学)
本文提出优化算法CoCo,利用多个异质环境中因果不变而协变量分布变化的特性,通过最大化仅以因果解为最优解的目标函数,实现更准确的因果估计与干预预测。
2024-10-18 cs.LG stat.ME stat.ML
Anchor regression: heterogeneous data meets causality
我们考虑从一组协变量中预测一个响应变量的问题,这些协变量在一个数据集上的分布与训练数据不同。因果参数是最佳的预测精度,如果在新的分布中,许多变量受到影响的干预措施或只有一些变量受到影响,但扰动很强。如果训练分布和测试分布相差一个偏移,那么因果参数可能过于保守,无法很好地执行上述任务。这激发了锚回归,一种利用外生变量通过考虑最小二乘损失的修改来解决因果极大极小问题的松弛的方法。该过程自然地提供了普通最小二乘和两阶段最小二乘的解决方案之间的插值。我们证明了估计满足预测保证的分布鲁棒性对线性类中的移位,这些保证是有效的,即使违反了工具变量的假设。如果锚回归和最小二乘法提供相同的答案(锚稳定性),我们建立OLS参数在某些分布变化下是不变的。锚回归的经验表明,以提高可复制性和防止分布的变化。
2020-05-08 stat.ME
A causal inference approach to network meta-analysis
虽然标准荟萃分析汇总了比较两种治疗方法的随机试验的结果,但网络荟萃分析汇总了比较更广泛治疗方案的随机试验的结果。然而,当并非对每个人群的所有治疗进行评价时,尚不清楚异质人群中效应估计值的汇总是否与有意义的参数一致。借鉴反事实理论和因果推断框架,我们定义了网络荟萃分析中的感兴趣人群,并在一系列非参数结构假设下定义了目标参数。这使我们能够确定该参数的可识别性要求,从而能够描述网络荟萃分析适用的条件以及何时可能误导决策。然后,我们从因果推断文献中采用了几种建模策略,以获得干预特异性平均结局的一致估计和治疗之间的模型独立对比。最后,我们对一项系统评价进行再分析,以比较抗生素对住院患者中疑似或确诊的甲氧西林耐药\emph{Staphylococcus aureus}的疗效。
2016-08-11 stat.ME
A Causal Framework for Observational Studies of Discrimination
在歧视研究中,研究人员经常试图估计种族或性别对结果的因果影响。例如,在刑事司法方面,人们可能会问,如果被捕者是不同种族,他们是否会随后被起诉或定罪。人们早就知道,这样的反事实问题面临着与遗漏变量偏差相关的测量挑战,以及与基本不变特征的因果被估量定义相关的概念挑战。另一个令人关切的问题是治疗后的偏见,这是最近辩论的主题:许多关于歧视的研究以明显的中间结果为条件,例如被逮捕,而这些结果本身可能是歧视的产物,可能会破坏统计估计。然而,我们有理由感到乐观。通过仔细定义的被估量-并考虑事件的精确时间-我们表明,在歧视研究的兴趣的主要因果量可以估计下,可能持有大约在一些观察设置的可验证性条件。我们通过分析模拟数据和美国一个大县检察官办公室的指控决定来说明这些想法。
2022-04-04 stat.ME
Instrumental Variable Estimation of Distributional Causal Effects
本文提出基于工具变量的分布因果效应识别与估计方法,引入分布IV模型并构造非参数估计量DIVE,用于估计二值处理下的干预累积分布函数,并通过模拟和真实数据验证其有效性。
2024-08-06 stat.ME
Sensitivity Analysis of Causal Treatment Effect Estimation for Clustered Observational Data with Unmeasured Confounding
在观察性研究中识别因果治疗(或暴露)效应需要数据满足不可用观察数据检验的无混淆性假设。通过敏感性分析,人们可以确定如果假设被违反到一定程度,结论可能会如何变化。在本文中,我们提出了一种新的技术适用于集群观测数据的正态分布或二元结果的敏感性分析。所提出的方法旨在评估单个研究以及多个研究中估计的处理效应的稳健性,即,荟萃分析,针对不可测量的混杂因素。进行了各种基本场景的模拟,以评估我们的方法的性能。与其他现有的敏感性分析方法不同,我们的方法对未测量混杂因素的数量或测量和未测量混杂因素之间的关系没有限制性假设,并且不排除测量混杂因素和治疗之间可能的相互作用。我们的方法很容易使用标准的统计软件包实现。
2023-01-29 stat.ME
Learning Instrumental Variables with Non-Gaussianity Assumptions: Theoretical Limitations and Practical Algorithms
从观测数据中学习因果效应并不简单,因为如果没有进一步的假设,这是不可能的。如果治疗$X$和结局$Y$之间隐藏的共同原因不能被其他测量阻断,一种可能性是使用工具变量。原则上,在某些假设下,可以发现变量是否在结构上有助于目标因果效应$X \rightarrow Y$,但目前的框架在这些假设的一般性方面有所欠缺。工具变量发现问题是具有挑战性的,因为没有变量可以作为工具单独测试,而只能在组中测试,但是不同的变量可能需要不同的条件才能被视为工具。此外,识别约束可能难以在统计上检测。在本文中,我们给出了一个理论表征的工具变量发现,突出可识别性问题和解决方案,需要非高斯假设,以及它们如何适合现有的方法。
2015-11-09 stat.ML
On Learning Causal Structures from Non-Experimental Data without Any Faithfulness Assumption
University of California, Davis(加州大学戴维斯分校);Lingnan University(岭南大学)
本文证明,在不假设忠实性条件下,任何实现最优收敛模式的因果学习算法必须对满足忠实性条件的CBN收敛,从而论证了标准设计实践的强制性。
2020-02-07 cs.LG stat.ME stat.ML
Heterogeneous Treatment Effects and Causal Mechanisms
Duke University(杜克大学);New York University(纽约大学)
本文探讨了异质性处理效应如何支持因果机制的推断,指出需额外假设才能证明机制激活,并提供新的解释和研究设计指导。
2025-11-21 econ.EM stat.ME
A reasonable thing that just might work
1964年,约翰·贝尔证明了量子力学是“不合理的”(用爱因斯坦的术语):存在非定域的二分量子关联。但它们并不是与相对论因果关系一致的最非局域的二分相关(“没有超光速信号”):最大非局域的“超量子”(或“PR盒”)相关也与相对论因果关系一致。我表明,-不像量子相关-这些相关性没有一个经典的限制与相对论因果关系一致。这一结果的推广到所有强于量子的非局域相关性是一个推导出Tsirelson的约束-一个定理的量子力学-从三个公理的相对论因果关系,非局域性,并存在一个经典的限制。但是,从不合理的非定域性公理推导出(部分)量子力学,合理吗?!我考虑用一个等价的公理来代替非定域性公理,这个公理甚至贝尔和爱因斯坦也可能认为是合理的:一个局部逆因果性公理。
2015-07-06 quant-ph
Achieving Maximal Causal Indefiniteness in a Maximally Nonlocal Theory
本研究在广义概率框架下提出叠加概念,证明最大非局域理论中复合系统允许叠加但单系统不允许,且叠加不蕴含纠缠,并给出具体例子展示后量子违反因果不定性不等式至代数界限。
2024-11-06 quant-ph
Towards Quantum Gravity: A Framework for Probabilistic Theories with Non-Fixed Causal Structure
广义相对论是一种因果结构不固定的确定性理论。量子理论是一种具有固定因果结构的概率理论。在本文中,我们建立了一个框架的概率理论与非固定因果结构。它结合了广义相对论和量子理论的基本要素。建筑的关键思想是物理压缩。物理学理论是关于量的.因此,如果我们指定一个足够大的量集合(这是压缩集),我们就可以计算所有其他的量。我们采用了三种物理压缩。首先,我们将它局部地应用于可能在时空的特定区域中测量的量(实际上是概率)。然后我们考虑复合区域。我们发现,有一个第二层次的物理压缩的复合区域以上的第一级物理压缩的组成部分地区。第一级和第二级物理压缩的每个应用由矩阵量化。我们发现,这些矩阵本身是相关的物理理论,因此可以受到压缩。这是物理压缩的第三个层次。这第三层物理压缩产生了一个新的数学对象,我们称之为因果线。从一个特定的物理理论的因果线,我们可以计算出物理理论所能计算的一切。这种方法允许我们建立一个框架来计算数据中的概率相关性,而不需要强加一个固定的因果结构(如背景时间)。我们展示了如何把量子理论在这个框架中(从而提供了一个新的制定这个理论)。我们指出如何广义相对论可能被放入这个框架,以及如何框架可能被用来构建一个理论的量子引力。
2006-08-09 gr-qc hep-th quant-ph
Causal Intuition and Delayed-Choice Experiments
延迟选择实验的传统解释似乎违背了我们在量子层面上的因果直觉。我用量子力学的时间反演和时间对称公式重新分析了这些实验。时间反演公式不能给出相同的实验预测。时间对称公式给出了相同的实验预测,但实际上违反了我们在量子水平上的因果直觉。我探讨的原因,我们的因果直觉可能是错误的,在量子水平上,建议如何传统的因果关系可能会恢复在经典极限,提出一个量子模拟经典块宇宙的观点,并推测宇宙边界条件的时间对称制定的影响。
2020-12-30 quant-ph
Causation does not explain contextuality
量子力学的实在论解释假定存在独立于用来揭示它们的行为的实在元素。这种观点受到了几个不可行定理的挑战,这些定理表明量子相关性不能用非上下文的本体论模型来解释,在这些模型中,物理性质被假设为在测量行为之前存在并独立于测量行为。然而,所有这样的上下文证明假设一个传统的因果结构的概念,其中因果影响流从过去到未来,根据普通的动力学规律。这就留下了一个问题,即量子力学表面上的上下文性是否仅仅是某种奇异因果结构的特征,在这种结构中,未来可能会影响过去,或者遥远的系统可能会由于非局域约束而相互关联。在这里,我们表明,量子预测需要更深层次形式的上下文:即使允许任意的因果结构,没有模型可以解释量子关联从非上下文的本体论属性的世界,无论是初始状态,动力学定律,或全局约束。
2018-05-14 quant-ph
A time-reversible quantum causal model
因果建模的现代方法使干预措施发挥了核心作用,这需要观察者的积极投入,并引入了明确的"因果时间箭头"。因果模型通常采用一种机械解释,根据这种解释,因果箭头的方向是所研究过程的固有方向。在这里,我们调查是否因果箭头的方向可能是一个观察者的贡献,而不是一个内在的属性的过程。在arXiv:1806.00895中开发的因果建模的反事实和非机械解释中工作,我们提出了一个“量子观测方案”的定义,我们认为它表征了因果模型的非线性不变性质。通过限制到保持最大混合态(无偏态)的量子过程,我们发现统计在时间顺序的反转下是对称的。因此,由此产生的模型可以容纳因果箭头是依赖于时间的想法,指出了一条协调因果箭头与时间对称物理定律的路线。
2019-08-21 quant-ph
Temporal nonlocality from indefinite causal orders
本文证明不确定因果序可违反时间局域性原则,产生时间非局域关联,并探讨其物理诠释及对理解贝尔非局域性的潜在意义。
2025-01-22 physics.hist-ph quant-ph
Quantum teleportation of quantum causal structures
量子隐形传态是一种非常有用的信息论协议,它允许将未知的任意量子态从一个位置转移到另一个位置,而不必通过中间区域传输量子系统。量子态、量子信道和不定因果结构都是量子因果结构的例子,它们不仅能够实现高级量子信息处理功能,而且还可以在非经典时空中模拟因果结构。在这封信中,我们发展了任意量子因果结构的量子隐形传态,并通过过程矩阵框架形式化。与传送实现因果结构的所有物理自由度不同,其中心思想是传送代理操作的输入和输出。贝尔态测量结果的通信是确定性量子隐形传态所必需的,但对于人们可能希望研究的所有因果结构来说,这是不可能的。为了避免这个问题,我们提出了部分和完全后选择隐形传态协议。我们证明了我们的部分后选择隐形传态协议与所有量子因果结构兼容,包括那些涉及不确定因果顺序的量子因果结构。
2022-03-01 gr-qc quant-ph
Quantum causal models, faithfulness and retrocausality
本文探讨Wood和Spekkens关于EPRB关联因果模型需违反忠实性的论证,分析Näger的稳定微调回应,指出违反忠实性虽约束但不排除回溯因果解释,并讨论其潜在后果。
2015-06-30 quant-ph
Simulating indefinite causal order with Rindler observers
不确定因果序(ICO)的实现,一种理论上的可能性,即使是物理事件之间的因果关系可以受到量子叠加,除了其对基础物理学研究的一般意义,也将使量子信息处理,优于协议,其中潜在的因果结构是明确的。在本文中,我们从一个命题开始,一个观察者在量子叠加态是在两个不同的相对距离的事件视界的黑洞,有效地居住在ICO时空产生的黑洞。利用Schwarzschild黑洞的近视界几何是Rindler时空的近视界几何这一事实,提出了一种在ICO时空中用具有两个不同本征加速度的叠加态的Rindler观测者来模拟观测者的方法.通过扩展,一对具有纠缠的适当加速度的Rindler观测器模拟了一对纠缠的ICO观测器。此外,这些林德勒系统可能有一个合理的实验实现的光学机械谐振器。
2021-01-31 quant-ph
Toy Models for Retrocausality
许多作者都被这样一种观点所吸引,即量子理论的某些特性可能是量子描述背后的“向后”或“复古”因果关系的表现。这个想法在文献中主要以两种方式进行了探索:首先是在量子系统的各种显式模型中,其次是在概念层面上。本说明介绍了第三种方法,旨在补充其他两种方法。它描述了一个简单的玩具模型,在自然的解释下,展示了追溯因果关系如何从简单的全局约束中出现。该模型也是有用的,在允许一种追溯因果关系可能是感兴趣的QM之间的明确区分,和一种不同的反向因果关系,它是容易混淆。提出这个模型是希望未来的详细阐述可能会揭示追溯因果关系的潜力,以解释量子现象。
2008-02-21 quant-ph
A diagrammatic language for the Causaloid framework
本文为Causaloid框架提出图形化语言,并定义层析、组合和元三个物理压缩层次的新术语,以弥合允许GPTs的Causaloid方法与使用希尔伯特空间的后量子研究之间的差距。
2024-07-01 gr-qc quant-ph
A Proposed Test of the Local Causality of Spacetime
一个支配时空中度规场和物质场的理论是{ \it local causal},如果任何区域中场的概率分布完全由该区域过去的物理数据决定,也就是说,它与类空分离点上的事件无关。广义相对论显然是局部因果的,因为一个区域中的场完全由其过去的物理数据决定。人们自然会问,在其他可能的理论中,时空的基本描述是经典的和几何的--例如,将经典时空几何随机耦合到物质的量子场论的假设理论--是否也可能是局部因果的。另一方面,引力的量子理论应该允许在宏观水平上违反局域因果关系的时空的创造。本文描述了一个实验来检验时空的局域因果关系,从而检验引力是否像引力的量子理论所建议的那样在这方面表现。这个实验要么直接证明引力场不是局部因果的,从而证明量子引力是弱的;要么为量子理论的有效性确定一个明确的界限。
2008-07-15 gr-qc hep-th quant-ph