CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series
University of Lincoln(林肯大学);University of Padua(帕多瓦大学)
本文提出CAnDOIT方法,结合观测和干预时间序列数据重构因果模型,解决隐藏因素下仅靠观测数据难以识别因果关系的问题,并在合成数据和机器人操作基准上验证其能有效提升因果分析准确性。
2024-10-11 cs.AI cs.LG cs.RO
Analyses of 'change scores' do not estimate causal effects in observational data
背景资料:在纵向数据中,通常通过从随访时的测量值中减去基线时的测量值来创建“变化评分”,然后将所得“变化”作为结果变量进行分析。在观测数据中,这种方法可能会产生误导性的因果效应估计。本文使用有向无环图(DAG)和简单的模拟来提供一个可访问的解释,为什么变化分数不估计观测数据中的因果效应。研究方法:模拟数据以匹配三种一般情况,其中代表基线结局测量值的变量是1)竞争性暴露,2)混杂因素,或3)暴露对代表随访结局测量值的变量的总因果效应的中介因素。比较变化评分分析和DAG知情分析之间的回归系数。结果如下:变化评分分析不能提供有意义的因果效应估计值,除非代表基线结局测量值的变量是竞争性暴露,如在随机化实验中。如果这些变量(即结局的基线测量值)是混杂因素或中介因素,则从变化评分分析得出的结论与DAG知情分析的结论存在差异(可能存在实质性差异)。结论:未来寻求因果效应估计的观察性研究应避免分析变化分数,并采用替代分析策略。
2019-07-05 stat.AP stat.ME
Joint estimation of causal effects from observational and intervention gene expression data
背景:从转录组数据推断基因调控网络是近年来的一个广泛研究领域。提出的方法主要是基于使用图形高斯模型的观察野生型数据,并提供无向图,不能准确地突出基因之间的因果关系。在目前的工作中,我们试图通过联合建模观察转录组数据与干预数据进行基因敲除或敲低的一个子集上获得的基因之间的因果关系的影响,以改善估计。通过检查这种表达扰动对其他基因的影响,可以获得比单独使用野生型数据更准确的调节关系的反映。结果如下:利用高斯贝叶斯网络的框架,我们提出了一个马尔可夫链蒙特卡罗算法与Malows模型和分析似然最大化样本的因果节点排序的后验分布,并反过来,估计因果效应。与以前提出的方法相比,所提出的算法的主要优点是它具有适应任何类型的干预设计的灵活性,包括部分或多个敲除实验。方法进行了比较,模拟数据以及数据从梦想2007年的挑战。结论:模拟研究证实了仅用观察数据估计基因因果排序的不可能性。在大多数情况下,发现所提出的算法比以前提出的方法在因果效应估计的准确性方面表现更好。此外,与单次敲除相比,多次敲除被证明带来有价值的额外信息。因此,最佳干预设计的选择似乎是因果推断的一个关键方面,也是未来研究的一个有趣挑战。
2013-07-30 stat.AP
Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
Purdue University(普渡大学)
针对观测数据因果发现中缺乏完美干预难以区分因果特征的挑战,提出 Feature Matching Intervention (FMI) 方法,通过匹配过程模拟完美干预并构建因果潜图框架,理论证明其具有强分布外泛化能力,实验验证了其在仅用观测数据有效识别因果特征上的优越性。
2025-03-05 cs.LG stat.ME stat.ML
CausalRM: Causal-Theoretic Reward Modeling for RLHF from Observational User Feedbacks
Peking University(北京大学);Xiaohongshu Inc.(小红书公司);Zhejiang University(浙江大学)
本文提出CausalRM框架,通过因果理论处理观察性用户反馈中的噪声和偏见问题,提升RLHF任务性能,实验显示在WildGuardMix和HarmBench上分别提升49.2%和32.7%。
2026-03-19 cs.AI cs.CL cs.LG
Time-Varying Confounding Bias in Observational Geoscience with Application to Induced Seismicity
University of Texas at Austin(德克萨斯大学奥斯汀分校);Jackson School of Geosciences, University of Texas at Austin(德克萨斯大学奥斯汀分校地球科学学院);Bureau of Economic Geology, University of Texas at Austin(德克萨斯大学奥斯汀分校经济地质局)
针对观测地球科学中关联证据难以解释为因果关系的问题,本文采用潜在结果因果推断框架处理时变混杂,并结合模拟与纵向方法评估废水处置对诱发地震的影响。
2025-10-18 stat.AP
Causal Effect Estimation from Observational and Interventional Data Through Matrix Weighted Linear Estimators
ETH Zürich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Cambridge(剑桥大学)
本文研究在混淆线性回归模型中从观测和干预数据混合估计因果效应,提出基于矩阵加权线性估计量的方法,证明其渐近无偏,在混淆大且观测数据占比高时优于基线方法。
2023-06-09 cs.AI stat.ME
Causal programming: inference with structural causal models as finding instances of a relation
University of Maryland(马里兰大学)
本文提出了一个因果推断关系和因果规划作为一般框架的因果推断与结构因果模型。元组$\langle M, I, Q, F \rangle$是关系的实例,如果公式$F$计算因果查询$Q$,作为由一组模型假设$M$所包含的每个模型中的已知总体概率$I$的函数。因果推断中的许多问题都可以看作是满足给定条件的关系实例的枚举问题。这统一了一些以前研究的问题,包括因果效应识别,因果发现和选择偏差的恢复。此外,这种关系支持用结构因果模型将因果推断中的新问题形式化,例如研究设计问题。因果规划被提出作为因果推断的进一步推广,作为关于成本函数找到关系的最佳实例的问题。
2018-05-04 cs.AI stat.ME
Causal Inference in Travel Demand Modeling (and the lack thereof)
本文是关于我们在实践和文献中看到的普遍脱节,在出行需求建模和因果推断的学科之间。在本文中,我们断言,旅游需求建模应该是许多领域之一,专注于生产有效的因果推断,我们假设的原因,目前的研究两个机构之间的脱节。此外,我们探讨了联合这两个学科的潜在好处。我们认为什么样的旅游需求建模可以从更大的纳入技术和观点的因果推断文献,我们简要讨论了什么样的因果推断文献可能会从旅游需求建模者的工作。在本文中,我们不试图“解决”有关的问题,从旅游需求模型的因果推断。相反,我们希望在出行需求建模和因果推断文献内部和之间引发更大的讨论。特别是,我们希望引发讨论的必要性,绘制因果推断在旅游需求的应用程序和方法,其中一个可能合理地这样做。
2017-12-07 stat.AP
CoBWeb: a user-friendly web application to estimate causal treatment effects from observational data using multiple algorithms
背景/目标:虽然随机对照试验是衡量因果关系的金标准,但如果使用适当的统计技术来解释各组间治疗前混杂因素的不平衡,则可以使用观察性研究的数据获得关于因果关系的可靠结论。倾向得分(PS)和平衡加权是有用的技术,旨在通过对组进行加权,使观察到的混杂因素尽可能相似,从而减少治疗组之间观察到的不平衡。研究方法:我们创建了CoBWeb,这是一个免费且易于使用的网络应用程序,用于从观察数据中估计因果处理效应,使用PS和平衡权重来控制混杂偏倚。CoBWeb使用多种算法来估计PS和平衡权重,以允许治疗指标和观察到的混杂因素之间的关系更加灵活(因为不同的算法对治疗协变量和混杂因素之间的结构关系做出不同(或没有)假设)。通过选择在平衡和有效样本量之间实现最佳折衷的算法,可以选择最优算法。结果如下:CoBWeb遵循从观察性研究数据中稳健估计因果处理效应所需的所有关键步骤,并包括未观察到的混杂因素的潜在影响的敏感性分析。我们说明了应用程序的实际使用,使用的数据集来自于对青少年物质使用障碍的干预研究,这是可供用户在应用程序环境中。结论:CoBWeb旨在使非专业人员能够理解和应用使用观察数据对因果处理效应进行稳健估计所需的所有关键步骤。
2021-12-09 stat.AP stat.ME
Causal Discovery with Heterogeneous Observational Data
我们考虑的问题,因果发现(结构学习)从异质观测数据。大多数现有的方法假设一个均匀的抽样方案,这导致误导性的结论时,违反了在许多应用中。为此,我们提出了一种新的方法,利用数据的异质性来推断因果关系不足的系统可能循环因果结构。核心思想是将直接因果效应建模为外源协变量的函数,从而正确解释数据的异质性。我们研究所提出的模型的结构可识别性。结构学习以完全贝叶斯的方式进行,这提供了自然的不确定性量化。我们通过大量的模拟和现实世界的应用程序证明了它的实用性。
2022-01-28 stat.ME
Inferring Causal Direction from Observational Data: A Complexity Approach
University College London(伦敦大学学院);Novartis International AG(诺华国际股份公司)
从观测数据中学习因果结构的核心是一个看似简单的问题:给定两个统计相关的随机变量,哪一个对另一个有因果效应?这是不可能回答单独使用统计依赖检验,并要求我们作出额外的假设。我们提出了几个快速和简单的标准区分因果关系的离散或连续的随机变量对。它们背后的直觉是,使用原因变量预测结果变量应该比相反的情况“更简单”-不同的“简单性”概念产生不同的标准。我们证明的准确性的标准下产生的合成数据的因果机制和类型的噪声的一个广泛的家庭。
2020-10-12 cs.AI cs.LG stat.ML
Causal query in observational data with hidden variables
University of South Australia(南澳大学);Hefei University of Technology(合肥工业大学)
本文讨论了含隐变量观测数据的因果查询问题,目的是在给定一组影响被操纵变量和结果的可信混杂变量的情况下,寻找“操纵”变量时结果的变化。这样一个“数据实验”来估计操纵变量的因果效应,对于使用历史数据验证实验设计或在研究新关系时探索混杂因素是有用的。然而,现有的数据驱动的因果效应估计方法面临着一些主要的挑战,包括高维度数据的可扩展性差,由于全局因果结构学习算法使用的统计学而导致的估计精度低,以及当隐藏变量在数据中不可避免时因果充分性的假设。在本文中,我们开发了一个定理,使用本地搜索找到一个超集的调整(或混杂)变量的因果效应估计的观测数据下一个现实的预处理假设。该定理保证因果效应的无偏估计包含在由调整变量超集估计的因果效应集中。基于该定理,我们提出了一个数据驱动的因果查询算法。实验表明,该算法比现有的数据驱动的隐变量因果效应估计方法更快,产生更好的因果效应估计。所提出的算法估计的因果关系的影响是准确的,那些由国家的最先进的方法,使用领域知识。
2020-11-24 cs.AI cs.LG stat.ML
Observational Causality Testing
本文扩展了观测因果检验方法,通过估计随机性下界、引入有限总体校正及纳入协变量,提出了新的协变量选择标准,并展示了多个应用实例。
2023-09-05 stat.ME
Causal inference for data centric engineering
本文回顾了从观测数据中寻求因果推断的方法,并演示了如何将其应用于工程研究中的经验问题。它提出了一个框架的基础上的概念,潜在的结果和审查的核心当代方法,可用于估计因果数量的因果关系识别。该文件有两个目的:首先,为以数据为中心的工程社区提供有关因果推断的统计文献的综合概述;其次,说明因果概念和方法如何应用。后一个目标是通过蒙特卡罗模拟来实现的,该模拟旨在复制工程研究中遇到的典型经验问题。模拟的R代码可供读者运行和调整,并引用了现实世界的研究。因果推断旨在量化非实验环境中由于明确干预(或"治疗")而发生的效应,通常用于非随机分配的治疗。本文认为,工程干预的分析往往具有这样的条件,因此,因果推断具有直接和有价值的适用性。
2022-11-24 stat.AP
Sensitivity analysis for causality in observational studies for regulatory science
本文探讨了监管科学中观察性研究使用真实世界数据时因果路线图的敏感性分析步骤,通过Nifurtimox治疗恰加斯病实例和多种方法概述,为监管应用提供实践指导。
2023-10-17 stat.AP
Combining observational and experimental data for causal inference considering data privacy
本文探讨了在保护数据隐私的前提下,通过对观察数据进行限制泄露变换并与实验数据结合,以提升因果推断中处理效应估计的泛化能力和精度,并揭示了隐私与效用之间的权衡。
2024-08-23 stat.AP stat.ME
Statistical causal inference methods for observational research in PER: a primer
本文针对物理教育研究(PER)中观察数据的因果推断问题,介绍了统计因果推断的基本原理与方法,并通过模拟数据阐明混杂因素与中介变量的控制原则,最终提出观察研究应致力于为未来干预研究提供预测。
2023-05-23 physics.ed-ph stat.ME
Federated Estimation of Causal Effects from Observational Data
National University of Singapore(新加坡国立大学);AWS AI Labs(AWS人工智能实验室);Harvard University(哈佛大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
许多现代应用程序收集联邦精神中的数据,数据保存在本地并且不公开。到目前为止,大多数对因果推断的洞察都需要将数据存储在中央存储库中。我们提出了一个新的框架与联邦数据源的因果推断。我们评估并整合来自不同私人数据源的本地因果效应,而无需集中它们。然后,使用经典潜在结局框架的非参数重新表述,从观察数据中估计受试者的处理效应。我们将潜在的结果建模为高斯过程分布的随机函数,其定义参数可以从多个数据源中有效地学习,尊重隐私约束。我们通过一组模拟和现实世界的基准测试的例子证明了所提出的方法的承诺和效率。
2021-05-31 cs.AI cs.CR cs.LG
A sensitivity analysis approach for the causal hazard ratio in randomized and observational studies
在研究生存数据时,风险比(HR)通常被报告为主要因果效应。尽管它的流行,人力资源遭受不明确的因果解释。正如文献中已经指出的那样,HR中存在内在的选择偏倚,因为与死亡截断问题类似,HR条件对治疗后生存率的影响。受存活者平均因果效应(SACE)的启发,最近提出的一种替代方法是因果HR,定义为研究参与者中无论其治疗分配如何都会存活的治疗组之间的风险比。我们讨论了识别因果HR的挑战,并在利用工作脆弱模型的随机对照试验中提出了一种敏感性分析识别方法。我们进一步扩展了我们的框架,以调整潜在的混杂因素,使用治疗加权的逆概率。我们提出了一个基于Cox和一个灵活的非参数核估计右删失。我们通过仿真研究了所提出的估计方法的有限样本性质。我们使用两个真实数据的例子来说明我们的框架的效用。
2022-03-07 stat.AP stat.ME
CIMTx: An R package for causal inference with multiple treatments using observational data
CIMTx提供了有效和统一的功能,以实现因果推断的现代方法,使用观察数据进行多种治疗,重点是二元结果。这些方法包括回归调整、治疗加权逆概率、贝叶斯加性回归树、广义倾向得分的多元样条回归调整、向量匹配和目标极大似然估计。此外,CIMTx还说明了用户可以在多种治疗设置中模拟符合复杂数据结构的数据的方法。此外,CIMTx软件包提供了一套独特的功能来解决关键的因果假设:积极性和可解释性。对于阳性假设,CIMTx演示了使用治疗加权的逆概率、贝叶斯加法回归树和向量匹配来识别用于保留推理单元的公共支持区域的技术。为了处理可验证性假设,CIMTx提供了一种灵活的蒙特卡罗敏感性分析方法,以评估因果关系结论如何根据与可验证治疗分配的不同程度偏离而改变。
2022-09-14 stat.AP stat.CO stat.ME
Cross-Validated Causal Inference: a Modern Method to Combine Experimental and Observational Data
Department of Statistics, UC Berkeley(加州大学伯克利分校统计学系);Graduate School of Business, Stanford University(斯坦福大学商学院)
本文提出一种将因果估计表述为经验风险最小化问题的系统性框架,通过交叉验证选取权重来结合实验与观测数据,有效克服了样本量与混杂偏差的矛盾,并验证了其有效性与可靠性。
2025-11-01 econ.EM stat.ME stat.ML
Bayesian Causal Inference: A Critical Review
本文对基于潜在结果框架的因果推断的贝叶斯观点进行了评述。我们回顾了因果被估量、识别假设、因果效应贝叶斯推断的一般结构和敏感性分析。我们强调的问题是独特的贝叶斯因果推断,包括倾向得分的作用,可识别性的定义,先验的选择,在低维和高维制度。我们指出协变量重叠的核心作用,更一般的设计阶段,贝叶斯因果推断。我们将讨论扩展到两个复杂的分配机制:工具变量和随时间变化的治疗。在整个过程中,我们通过例子来说明关键概念。
2022-10-23 stat.AP stat.ME
Continual Causal Inference with Incremental Observational Data
Ant Group(蚂蚁集团);University of Georgia(佐治亚大学);University of Virginia(弗吉尼亚大学)
大数据时代见证了来自移动和社交网络、在线广告、网络挖掘、医疗保健、教育、公共政策、营销活动等的观测数据的日益可用性,这促进了因果效应估计的发展。虽然在克服学术领域的挑战方面取得了重大进展,例如缺失反事实结果和选择偏差,但它们只关注特定源和固定的观测数据,这在大多数工业应用中是不现实的。在本文中,我们研究了一个新的工业问题的因果效应估计从增量可用的观测数据,并提出了三个新的评价标准,相应的,包括可扩展性,适应性和可访问性。我们提出了一个连续的因果效应表示学习方法估计因果效应与观测数据,这是增量可从非平稳数据分布。我们的方法不是访问所有看到的观测数据,而是只存储从以前的数据中学习到的特征表示的有限子集。该方法结合选择性和平衡的表示学习、特征表示提取和特征变换,在不影响对原始数据估计能力的前提下,实现了对新数据的连续因果效应估计。大量的实验证明了连续因果效应估计的意义和我们的方法的有效性。
2023-03-03 cs.LG stat.ML
Causal Interaction Trees: Tree-Based Subgroup Identification for Observational Data
我们提出了因果关系树,以确定亚组的参与者,增强了处理效应使用观察数据。我们扩展了分类和回归树算法,使用分裂标准,重点是最大限度地提高组间处理效应异质性的基础上,亚组特定的处理效应估计,以决定在算法中的决策。我们推导出三个亚组特定的处理效应估计,占观察性质的数据-逆概率加权,g-公式和双稳健估计的属性。我们使用模拟研究所提出的算法的性能,并在一项观察性研究中实施该算法,以评估右心导管插入术对危重患者的有效性。
2020-03-06 stat.ME stat.ML
How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference
Leidos(莱多斯公司)
从观测数据中推断因果关系的方法是许多科学领域的核心,包括医学,经济学和社会科学。这些方法的各种理论特性已得到证明,但经验评价仍然是一个挑战,主要是由于缺乏已知处理效应的观察数据集。我们描述并分析了随机对照试验(OSRCT)的观察性抽样,这是一种使用随机对照试验(RCT)数据评估因果推断方法的方法。该方法可用于创建构建的观察数据集,并具有相应的处理效应的无偏估计,从而显著增加了可用于因果推断方法经验评价的数据集数量。我们表明,在预期中,OSRCT创建的数据集是等同于随机抽样的经验数据集,其中所有潜在的结果是可用的。然后,我们对7种因果推断方法进行了大规模评估,这些方法来自随机对照试验、模拟器、真实世界的计算系统以及用合成反应变量增强的观察数据集。当比较来自不同来源的数据时,我们发现了显着的性能差异,这表明了在评估任何因果推断方法时使用来自各种来源的数据的重要性。
2021-07-07 cs.LG stat.ME
Sensitivity Analysis of Inverse Probability Weighting Estimators of Causal Effects in Observational Studies with Multivalued Treatments
针对多值处理观察性研究中缺乏适用敏感性分析框架的问题,提出含通用加性因果估计量的高效敏感性分析框架,模拟和实例验证其有效性。
2024-06-23 stat.ME
Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data
University of South Australia(南澳大学);Hefei University of Technology(合肥工业大学)
工具变量(IV)是一种强大的方法,即使在治疗和结果之间存在潜在的混杂因素时,也可以从观察数据中推断治疗对感兴趣结果的因果效应。然而,现有的IV方法需要选择IV并利用领域知识进行证明。无效的IV可能导致有偏估计。因此,发现一个有效的IV是至关重要的IV方法的应用。在本文中,我们研究和设计了一个数据驱动的算法,发现有效的IV数据下温和的假设。我们开发的理论的基础上部分祖先图(PAG),以支持搜索一组候选人的祖先IV(AIV),并为每个可能的AIV,其条件集的识别。在此基础上,我们提出了一个数据驱动的算法,从数据中发现一对IV。合成和真实世界的数据集上的实验表明,开发的IV发现算法估计准确的因果效应估计相比,国家的最先进的IV因果效应估计。
2022-06-04 cs.AI stat.ML
A Human-Augmenting Agentic Workflow for Observational Causal Inference
Netflix(网飞);Cornell University(康奈尔大学)
研究针对观察性因果推断任务,介绍开源Python包`oci-agent`,其实现人在回路智能工作流程,自动化繁琐环节,支持多种处理效应估计,经案例研究和评估性能良好,在Netflix广泛应用。
2026-07-27 stat.AP stat.CO
Causal discovery for observational sciences using supervised machine learning
因果推断可以估计因果效应,但除非通过实验收集数据,否则统计分析必须依赖于预先指定的因果模型。因果发现算法是从数据中构建因果模型的经验方法。已经存在几种渐近正确的方法,但它们通常在较小的样本上挣扎。此外,大多数方法集中在非常稀疏的因果模型,这可能并不总是现实的现实生活中的数据生成机制的代表。最后,虽然这些方法所提出的因果关系往往是正确的,但它们关于因果无关性的说法有很高的错误率。这种非保守的误差权衡对于观测科学来说并不理想,在观测科学中,所产生的模型直接用于告知因果推断:具有许多缺失因果关系的因果模型需要太强的假设,并可能导致有偏的效应估计。我们提出了一种新的因果发现方法,解决了这三个缺点:监督学习发现(SLdisco)。SLdisco使用监督机器学习来获得从观测数据到因果模型的等价类的映射。我们在基于高斯数据的大型模拟研究中评估了SLdisco,并考虑了模型大小和样本量的几种选择。我们发现,SLdisco是更保守的,只是适度较少的信息和较不敏感的样本量比现有的程序。我们还提供了一个真实的流行病学数据应用程序。我们使用随机二次抽样调查小样本的真实数据的性能,并再次发现,SLdisco是对样本量不太敏感,因此似乎更好地利用小数据集的信息。
2022-05-14 stat.ME stat.ML
An AI-powered Bayesian generative modeling approach for causal inference in observational studies
Department of Biostatistics, Yale University(耶鲁大学生物统计学系);Department of Statistics, Stanford University(斯坦福大学统计学系)
CausalBGM通过学习个体特定的低维潜在特征集,提升高维协变量和大规模数据集中的因果推断性能。
2026-02-19 cs.AI cs.LG stat.ME
Distributed Design for Causal Inferences on Big Observational Data
大观察性数据的因果推断的一个基本问题是由于治疗组之间的协变量不平衡而造成的混淆。这可以通过在分析之前设计数据来解决。现有的设计方法,为传统的观察性研究开发的单一设计者,可以产生不满意的设计与次优协变量平衡的大观察数据,由于他们无法适应大数据的海量维度,异质性和体积。我们提出了一个新的框架,大观测数据之间的协作设计师的分布式设计。我们的框架首先分配的高维和异质协变量的子集多个设计师。然后,设计者将他们的协变量总结为低维量,与其他人分享他们的总结,并根据他们分配的协变量和他们收到的总结并行设计研究。通过比较候选者之间所有协变量的平衡测量来选择最终设计。我们进行模拟研究,并分析来自2016年大西洋因果推断会议数据挑战的数据集,以证明我们的框架的灵活性和强大性,用于从大观测数据中构建具有良好协变量平衡的设计。
2022-03-15 stat.ME
A Topological Perspective on Causal Inference
Stanford University(斯坦福大学)
本文提出了一个拓扑学习理论的因果推理的角度,通过引入一系列的拓扑定义的一般空间的结构因果模型(SCM)。作为一个说明的框架,我们证明了拓扑因果层次定理,表明实质性的无约束因果推理是可能的,只有在一个微薄的SCM集。由于一个已知的弱拓扑和统计上可验证的假设之间的对应关系,我们的研究结果表明,归纳假设足以许可有效的因果推理是统计上不可验证的原则。类似于统计推断的无免费午餐定理,本研究结果澄清了因果推断的实质性假设的必然性。我们的拓扑方法的另一个好处是,它很容易容纳SCM无限多个变量。最后,我们建议,该框架可能有助于积极的项目,探索和评估替代的因果关系归纳假设。
2022-05-31 cs.AI cs.LG stat.ME
Federated Causal Inference from Observational Data
National University of Singapore(新加坡国立大学)
本文提出一个从去中心化数据源估计因果效应的隐私保护联邦框架,包含基于高斯过程的FedCI、自适应迁移算法CausalRFF和处理缺失数据的CausalFI三种实例,有效应对分布差异与缺失值带来的偏差。
2024-05-30 cs.AI cs.LG stat.ME
A General Causal Inference Framework for Cross-Sectional Observational Data
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院)
针对观测数据去混杂方法中朴素假设的局限,本文提出通用因果推断(GCI)框架,通过有向无环图识别关键混杂协变量并结合去混杂推断,显著提升了因果效应估计的精确性、稳定性和可解释性。
2024-04-28 cs.AI cs.LG stat.ME
A primer on optimal transport for causal inference with observational data
Emory University(埃默里大学)
本综述介绍最优运输与观察性数据因果效应识别的深层联系,指出因果推断基础模型隐含依赖最优运输原理,旨在统一多领域语言符号并探索两领域未来研究方向。
2026-08-10 cs.AI econ.EM stat.ME
A Risk-Ratio-Based Marginal Sensitivity Model for Causal Effects in Observational Studies
本文提出基于风险比的改进边际敏感性模型,支持二元与多值处理,并给出点估计区间和百分位自助置信区间,通过模拟及孟加拉国母亲教育影响生育力的应用验证其效果。
2023-09-27 stat.ME
Causal inference methods for combining randomized trials and observational studies: a review
随着数据可用性的增加,可以在不同的数据集(包括随机对照试验(RCT)和观察性研究)中评价因果效应。随机对照试验将治疗效果与不需要的(混杂的)共现效应分离,但它们可能不具有代表性,因此缺乏外部有效性。另一方面,大型观察性样本通常更能代表目标人群,但可能会将混杂效应与关注的治疗混淆。在本文中,我们回顾了越来越多的文献中的方法,因果推断结合随机对照试验和观察性研究,争取两全其美。我们首先讨论了识别和估计方法,提高了随机对照试验的概括性使用的观察数据的代表性。经典的估计包括加权,条件结果模型之间的差异,和双稳健估计。然后,我们讨论了结合随机对照试验和观察数据的方法,以确保观察分析的不确定性或改善(条件)平均处理效应估计。我们还连接和对比的潜在结果的文学和结构因果模型文学的作品。最后,我们使用模拟研究和真实世界的数据来分析氨甲环酸对重大创伤患者死亡率的影响,比较主要的方法。还提供了可用代码和新实现的审查。
2023-01-10 stat.ME
Nonparametric identification of causal effects in clustered observational studies with differential selection
群集观察性研究(COS)设计是与群集随机试验相对应的观察性研究。在COS中,处理被分配给完整组,并且组内的所有单元都暴露于处理。然而,治疗是非随机分配的。COS在教育和卫生服务研究中很常见。在教育方面,某些学校的所有学生都可以得到治疗,但其他学校的所有学生都不能得到治疗。在健康研究中,治疗可以应用于集群,如医院或由同一医生治疗的患者群体。在这篇文章中,我们研究了聚类观察研究设计中因果效应的识别。我们专注于差异选择的单位集群,这发生在单位的集群选择依赖于集群的治疗分配的前景。现存的关于COSs的研究已经做了一个隐含的假设,排除了差异选择的存在。我们得出的识别结果与差分选择的设计和差分集群选择的背景下需要不同的调整集比标准设计。我们概述了有和没有差分选择的设计估计。使用一系列的模拟,我们概述了差异选择可能发生的偏差的大小。然后,我们提出了两个经验的应用程序,重点是差异选择的可能性。
2022-06-21 stat.AP stat.ME
Estimating Causal Effects From Nonparanormal Observational Data
科学的基本目标之一是解开特定系统的因果链。特别是对于大型系统,这可能是一项艰巨的任务。详细的干预和随机数据采样方法可以用来解决因果关系的问题,但对于许多系统,这样的干预是不可能的或太昂贵,以获得。最近,Maathuis et al.(2010)遵循Spirtes et al.(2000)的思想,引入了一个框架来估计大规模高斯系统中的因果效应。通过将因果网络描述为有向无环图,即使对于非高斯系统,也可以估计一类一致地描述潜在因果相互作用的马尔可夫等价系统。在这些系统中,因果效应不再是线性的,不能再用单一的系数来描述。本文导出了非高斯分布的一个大子类(称为非超正态分布)中因果效应的一般函数形式。我们还得到了一个方便的近似,它可以有效地用于估计。我们将该方法应用于观察基因表达数据集。
2016-11-29 stat.ME
Causal inference in drug discovery and development
University of Bergen(卑尔根大学);Roche Innovation Centre Basel(罗氏创新中心巴塞尔);University of Basel(巴塞尔大学)
本文面向药物研发从业者,以非技术方式介绍因果推断的基本概念,回顾其在药物发现与开发中的近期应用,并分析采用因果语言带来的机遇与挑战。
2022-09-29 cs.LG q-bio.QM stat.AP
Nonparametric causal inference from observational time series through marginal integration
从观测数据中进行因果推断是一项雄心勃勃但高度相关的任务,具有从自然科学到社会科学的多种应用。在非参数时间序列的范围内,通过干预定义的因果推断(参见Pearl(2000))在很大程度上是未探索的,尽管时间顺序大大简化了问题。我们考虑一个边际积分方案,用于从观测的时间序列数据推断因果效应,MINT-T(时间序列中的边际积分),这是Ernest和Bühlmann(Electron. J. Statist,pp. 3155-3194,第9卷,2015)。我们的平稳随机过程的方法是完全非参数的,并假设没有瞬时效应始终恢复总的因果关系的一个单一的干预与最佳的一维非参数收敛速度$n^{-2/5}$假设正则条件和两次可微的某个相应的回归函数。因此,MINT-T在很大程度上不受维数灾难的影响,只要在更高的维度中保持平滑条件,并且它对于大类平稳时间序列是可行的,包括非线性和多变量过程。对于瞬时效应的情况下,我们提供了一个程序,防止假阳性的因果关系陈述。
2016-12-21 stat.ME
Orthogonal Structure Search for Efficient Causal Discovery from Observational Data
在许多学科中,从大量的解释变量中推断反应变量的直接因果父变量的问题具有很高的实际重要性。最近的工作利用稳定性的回归系数或不变性的模型在不同的实验条件下重建完整的因果图。这些方法通常不能很好地扩展解释变量的数量,并且难以扩展到非线性关系。与现有的工作相反,我们提出了一种方法,即使是观测数据,同时仍然提供理论保证,包括部分非线性关系的情况下。我们的算法只需要一个估计每个变量,在我们的实验中,我们应用我们的因果发现算法,甚至大图,证明显着的改进相比,完善的方法。
2020-07-06 cs.LG stat.ML
Estimating the Causal Impact of Recommendation Systems from Observational Data
推荐系统是网络中越来越重要的一部分,在世界上几个最受欢迎的网站上,推荐系统占到了所有流量的三分之一。尽管如此,人们对这种系统实际上引起了多少活动而不是通过其他手段(例如,搜索),如果没有建议。虽然估计推荐的因果影响的理想方法是通过随机实验,但这种实验成本高昂,可能会给用户带来不便。因此,在本文中,我们提出了一种方法来估计因果关系的影响,从纯粹的观测数据。具体来说,我们表明,通过工具变量的因果关系识别是可能的,当一个产品经历了直接的交通和旁边的产品推荐不瞬时冲击。然后,我们将我们的方法应用于浏览日志,其中包含Amazon.com上210万用户在9个月内的匿名活动,并分析了超过4,000种经历此类冲击的独特产品。我们发现,虽然推荐点击量确实占了这些产品流量的很大一部分,但至少75%的这种活动可能会在没有推荐的情况下发生。最后,我们讨论了该方法适用的假设,以及将结果外推到其他产品、地点或环境的注意事项。
2015-10-19 cs.SI stat.AP
ADCB: An Alzheimer's disease benchmark for evaluating observational estimators of causal effects
Chalmers University of Technology(查尔姆斯理工大学)
模拟器为因果效应估计提供了独特的基准,因为它们不依赖于无法验证的假设或干预现实世界系统的能力,但通常过于简单,无法捕捉实际应用的重要方面。我们提出了一个模拟阿尔茨海默氏症的目的是在建模的医疗数据的复杂性,同时使基准的因果关系和政策估计。我们将该系统与阿尔茨海默病神经影像学倡议(ADNI)数据集相匹配,并在比较治疗试验和观察性治疗模式的结果中手工制作组件。该模拟器包括改变因果推理任务的性质和难度的参数,例如潜变量、效应异质性、观察历史的长度、行为策略和样本量。我们使用模拟器来比较平均和条件治疗效果的估计。
2021-11-12 cs.LG stat.ML
Causal Graph Aided Causal Discovery in an Observational Aneurysmal Subarachnoid Hemorrhage Study
针对医学观察性研究目标不明确、缺乏过程调整工具的问题,本研究基于因果DAG提出可提供中途洞见、识别因果问题并指明数据库增强方向的方法,结合aSAH患者数据验证,还提出基于IV推断的多中心实践变化监测方法。
2024-08-12 stat.ME stat.ML
Multi-Method Causal Evidence Synthesis: Ranking Candidate Drivers by Convergent Cross-Method Evidence from Observational Data
Tricon Infotech(特里康信息科技公司)
该研究提出MCES框架,通过汇集8种数学传统的11种因果方法的收敛证据得分,对观测数据中候选驱动因素与结果的相关性排名,为无单一最优方法的场景提供方法无关的默认方案。
2026-08-21 cs.AI stat.ME
Causal Representation Learning Made Identifiable by Grouping of Observational Variables
RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心);Department of Computer Science, University of Helsinki(赫尔辛基大学计算机科学系)
本文提出一种仅依赖观测变量分组这一弱约束的因果表示学习可辨识性方法,无需时间结构、干预或弱监督,并设计了自监督估计框架,在实验中优于现有基线且对混杂因素和因果循环具有鲁棒性。
2024-06-07 cs.LG stat.ML
Causal Modeling in Multi-Context Systems: Distinguishing Multiple Context-Specific Causal Graphs which Account for Observational Support
German Aerospace Center (DLR)(德国航空航天中心);Technische Universität Dresden(德累斯顿工业大学);Technische Universität Berlin(柏林工业大学)
本文研究多上下文下观测支持差异对因果图可辨识性的影响,提出在SCM中精细化建模CSI的框架,以区分并解释特定上下文因果结构变化。
2024-10-27 cs.LG math.ST stat.TH
Flexible sensitivity analysis for causal inference in observational studies subject to unmeasured confounding
本文提出一个灵活的敏感性分析框架,可同时处理逆概率加权、结果回归和双重稳健估计量,以应对观察性研究中未测量混杂导致的偏差,并开发了R包saci实现该方法。
2024-03-29 stat.ME
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断,算法设计和数值计算。该领域旨在开发专门从事因果推断的软件,这些软件可以以高性能,通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性,并使因果推断能够容易地集成到大型工程系统中。特别是,我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域,需求,可扩展性的机会,开放的挑战,并开始讨论社区如何能够团结起来,以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
RealCause: Realistic Causal Inference Benchmarking
Mila(米拉研究所)
在因果推理中有许多不同的因果效应估计量。然而,目前尚不清楚如何在这些估计量之间进行选择,因为因果效应没有地面实况。一个常用的选择是模拟合成数据,其中地面实况是已知的。然而,合成数据上的最佳因果估计量不太可能是真实数据上的最佳因果估计量。因果估计量的理想基准将(a)产生因果效应的地面真值,(b)代表真实数据。使用灵活的生成模型,我们提供了一个基准,既产生地面真相,是现实的。使用这个基准,我们评估了超过1500种不同的因果估计,并提供证据表明,使用预测指标为因果估计选择超参数是合理的。
2021-03-29 cs.AI cs.LG stat.ML
Generalization bound for estimating causal effects from observational network data
Guangdong University of Technology(广东工业大学);Shantou University(汕头大学)
针对观测网络数据因果效应估计缺乏泛化界分析的问题,本文结合联合倾向得分重加权与IPM表示学习推导出泛化界,并据此提出加权回归方法,在真实网络半合成数据上验证了有效性。
2023-08-08 cs.LG stat.ME
Interpretable, multi-dimensional Evaluation Framework for Causal Discovery from observational i.i.d. Data
Humboldt University Berlin(柏林洪堡大学);Bucharest University of Economic Studies(布加勒斯特经济研究大学)
针对观测数据非线性因果发现缺乏统一评估框架的问题,提出可解释的六维评估指标DOS,并通过大规模模拟研究评估七类结构学习算法,发现摊销因果发现性能接近最优。
2024-12-16 cs.LG stat.ML