Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation
本文提出 Bayesian Causal Forest 算法的全连接神经网络实现,用于异质性处理效应估计,并在模拟数据和压力影响睡眠的数据集中验证其性能提升。
2024-05-06 cs.LG stat.ML
Causal Estimation for Text Data with (Apparent) Overlap Violations
The University of Chicago(芝加哥大学);Google Research(谷歌研究院)
考虑一下估计文本文档的某些属性的因果效应的问题;例如:写一封礼貌的电子邮件与写一封粗鲁的电子邮件对响应时间有什么影响?为了从观察数据中估计因果关系,我们需要调整影响治疗和结果的文本混淆方面-例如,文章的主题或写作水平。这些混淆的方面是先验未知的,因此对整个文本进行调整似乎是很自然的(例如,使用Transformer)。然而,因果识别和估计程序依赖于重叠的假设:对于所有水平的调整变量,存在随机性剩余,因此每个单元都可以(不)接受治疗。由于这里的处理本身就是文本的一个属性,它是完全确定的,显然违反了重叠。本文的目的是展示如何处理因果识别,并获得强大的因果估计存在明显的重叠违规。简而言之,我们的想法是使用监督表示学习来产生一种数据表示,该数据表示保留了混淆信息,同时消除了仅预测治疗的信息。这样,这种表示就足以进行平差,并且可以满足重叠。适应非参数估计的结果,我们发现,这个过程是强大的条件结果误估计,在弱条件下产生有效的不确定性量化的低偏差估计。实证结果表明,相对于自然基线的偏差和不确定性量化有很大的改善。
2023-02-07 cs.LG stat.ML
CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks
causalKANs通过Kolmogorov-Arnold网络实现可解释的治疗效应估计,提供高准确性和可解释性的平衡解决方案。
2025-12-05 cs.LG stat.ML
Causal Decision Making and Causal Effect Estimation Are Not the Same... and Why It Matters
HKUST(香港科技大学);NYU(纽约大学);Compass Inc.(Compass公司)
基于机器学习的因果决策(CDM)已经成为商业的常规部分。企业在算法上有针对性地提供优惠、激励和建议,以影响消费者的行为。最近,我们看到了与CDM和使用机器学习模型的因果效应估计(CEE)相关的研究的加速。本文强调了一个重要的观点:CDM与CEE不同,并且与直觉相反,准确的CEE对于准确的CDM来说是不必要的。我们的经验是,这不是很好地理解从业者或大多数研究人员。从技术上讲,感兴趣的被估量是不同的,这对清洁发展机制的建模和统计模型的使用都有重要的影响。我们借鉴以前的研究,强调三个影响。(1)我们应该仔细考虑因果机器学习的目标函数,如果可能的话,优化准确的治疗分配,而不是准确的效应量估计。(2)混淆对CDM的影响与对CEE的影响不同。结果是,为了支持CDM,使用混杂数据和使用非混杂数据学习可能一样好,甚至更好。最后,(3)因果统计建模可能不是支持CDM所必需的,因为统计建模的代理目标可能做得一样好或更好。这第三个观察有助于解释至少一种乍一看似乎是错误的普遍的CDM做法:广泛使用非因果模型来确定干预措施。最后两个含义在实践中特别重要,因为获取所有反事实的(无混杂)数据可能成本高昂,而且往往不切实际。这些发现开辟了大量的研究领域。我们希望通过指出来自多个贡献领域的相关文章,包括过去三到四年发表的二十多篇文章,来促进这一领域的研究。
2021-09-30 cs.LG stat.ML
Estimation of Structural Causal Model via Sparsely Mixing Independent Component Analysis
The Graduate University for Advanced Studies (SOKENDAI)(综合研究大学院大学);The Institute of Statistical Mathematics(统计数理研究所);RIKEN Center for Advanced Intelligence Project (AIP)(日本理化学研究所先进智能研究中心)
针对从观测数据推断稀疏因果结构时现有方法存在的不足,提出一种基于带稀疏性和一致性惩罚项的ICA对数似然的新方法,可同时估计因果顺序和参数,且数值实验显示其性能优于LiNGAM和NOTEARS等现有方法。
2020-09-07 cs.LG stat.ML
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
An evaluation framework for comparing causal inference models
Harokopio University of Athens(雅典哈罗科皮奥大学)
因果效应的估计是许多科学学科的核心目标。然而,这仍然是一项具有挑战性的任务,特别是当根据观测数据估计影响时。近年来,几种有前途的机器学习模型被提出用于因果效应估计。这些模型的评价基于平均处理效应(ATE)误差的平均值以及异质效应估计精密度(PEHE)。在本文中,我们建议补充评估的因果推断模型使用具体的统计证据,包括性能配置文件的Dolan和莫尔,以及非参数和事后统计检验。这种方法背后的主要动机是消除少量实例或模拟对基准测试过程的影响,在某些情况下,这些实例或模拟会主导结果。我们使用建议的评估方法来比较几个国家的最先进的因果效应估计模型。
2022-08-31 cs.LG stat.ML
Spectral Representation for Causal Estimation with Hidden Confounders
Georgia Tech(佐治亚理工学院);Universitat Pompeu Fabra(庞培法布拉大学);UT Austin(德克萨斯大学奥斯汀分校);University College London(伦敦大学学院);Google DeepMind(谷歌DeepMind)
本文提出一种基于条件期望算子奇异值分解与鞍点优化的因果估计方法,用于处理工具变量回归和代理因果学习中的隐藏混杂因素,并在多个基准上取得优于现有方法的效果。
2025-03-10 cs.LG stat.ML
Bayesian Model Averaging for Causality Estimation and its Approximation based on Gaussian Scale Mixture Distributions
Waseda University(早稻田大学)
在线性结构因果模型(SCM)下的因果效应估计中,通常的做法是首先识别因果结构,估计概率分布,然后计算因果效应。然而,如果目标是估计因果效应,则没有必要固定单个因果结构或概率分布。在本文中,我们首先从贝叶斯的角度表明,它是贝叶斯最优的加权(平均)的因果效应估计在每个模型下,而不是估计在一个固定的单一模型的因果效应。这个想法也被称为贝叶斯模型平均。虽然贝叶斯模型平均是最佳的,但随着候选模型数量的增加,加权计算在计算上变得困难。我们开发了一个近似的贝叶斯最优估计使用高斯尺度混合分布。
2021-03-15 cs.LG stat.ME stat.ML
Causal Estimation with Functional Confounders
New York University(纽约大学);Columbia University(哥伦比亚大学)
因果推断依赖于两个基本假设:可解释性和积极性。我们研究因果推断时,真正的混杂值可以表示为一个函数的观察数据,我们称之为设置估计与功能性混杂(EFC)。在这种情况下,可解释性得到了满足,但肯定性被违反了,一般来说,因果推断是不可能的。我们考虑两种情况下的因果关系是可估计的。首先,我们讨论干预的一部分,称为功能性干预和充分条件,这些干预措施的效果估计称为功能性积极性。第二,我们开发的非参数效应估计的基础上的梯度场的功能混淆和真正的结果函数的条件。为了估计这些条件下的效果,我们开发了水平集正交下降估计(LODE)。此外,我们证明LODE的效果估计的误差范围,评估我们的方法模拟和真实的数据,并实证证明EFC的价值。
2021-02-17 cs.LG stat.ME stat.ML
Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions
Department of Applied Statistics, Beijing Technology and Business University(北京技术与商业大学应用统计系);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(深圳先进技术研究院);College of Computer Science and Artificial Intelligence, Fudan University(复旦大学计算机科学与人工智能学院);Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence(Mohamed bin Zayed人工智能大学机器学习系);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种局部学习方法,用于非参数因果效应估计中的协变量选择,避免了预处理和因果充分性假设,提高了计算效率和估计准确性。
2026-05-20 cs.AI cs.LG stat.ML
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
End-to-End Balancing for Causal Continuous Treatment-Effect Estimation
Amazon.com, Inc.(亚马逊公司);Wharton School of the University of Pennsylvania(宾夕法尼亚大学沃顿商学院)
本文在逆倾向分数加权的框架下研究了连续处理的观察因果推理问题。为了获得稳定的权重,我们设计了一种基于熵平衡的新算法,该算法使用端到端优化来学习权重以直接最大化因果推理准确性。在优化过程中,这些权重会自动调整到所使用的特定数据集和因果推理算法。我们提供了一个理论分析,证明我们的方法的一致性。使用合成和真实世界的数据,我们表明,我们的算法估计因果关系比基线熵平衡更准确。
2022-07-10 cs.LG stat.ME stat.ML
Causal Effect Estimation: Recent Advances, Challenges, and Opportunities
Ant Group(蚂蚁集团);University of Virginia(弗吉尼亚大学)
因果推理在许多领域都有大量的实际应用,如医疗保健,市场营销,政治学和在线广告。治疗效果估计是因果推断中的一个基本问题,几十年来一直是统计学中广泛研究的问题。然而,传统的治疗效果估计方法可能不能很好地处理大规模和高维异构数据。近年来,一个新兴的研究方向在广阔的人工智能领域引起了越来越多的关注,它结合了传统治疗效果估计方法的优点(例如,倾向分数、匹配和重新加权)和高级机器学习方法(例如,表示学习、对抗学习和图神经网络)。虽然先进的机器学习方法在治疗效果估计方面表现出了非凡的性能,但也带来了许多新的课题和新的研究问题。鉴于因果推理领域的最新研究成果,我们全面讨论了治疗效果估计任务的三个核心组成部分的挑战和机遇,即,治疗、协变量和结局。此外,我们还从多个角度展示了这一主题有前途的研究方向。
2023-02-02 cs.LG stat.ME stat.ML
Stochastic Intervention for Causal Effect Estimation
University of Technology Sydney(悉尼科技大学)
因果推理方法广泛应用于精准医疗、最优政策和经济学等决策领域。这些应用的核心是干预策略的治疗效果估计。目前的估计方法大多局限于确定性的处理,但无法解决随机空间处理策略。此外,以往的方法只能根据治疗效果做出二值的“是”或“否”决策,缺乏提供细粒度的效果估计度来解释决策过程的能力。因此,本研究提出一种新的随机倾向分数和随机干预效应估计量,将因果推理方法应用于随机干预效应的估计。同时,我们设计了一个定制的遗传算法特定的随机干预效应(Ge-SIO)的目的是提供决策的因果证据。我们提供的理论分析和进行实证研究,以证明我们提出的措施和算法可以实现显着的性能提升与国家的最先进的基线相比。
2021-05-27 cs.AI cs.LG stat.ML
Causal Inference Under Unmeasured Confounding With Negative Controls: A Minimax Learning Approach
Cornell University(康奈尔大学);Tsinghua University(清华大学)
本文针对未观测混杂且存在负对照的因果推断问题,提出无需完备性条件的识别策略,基于极小极大学习构建适配通用函数类的桥函数估计量,研究其有限样本收敛结果。
2026-10-27 cs.LG stat.ME stat.ML
A Primer on Causal Analysis
我们提供了一个概念图来导航因果分析问题。针对离散随机变量的情形,我们考虑了从观测数据中估计因果效应的情形。所提出的方法也适用于连续变量,但估计的问题变得更加复杂。然后我们介绍了因果分析的四个学派
2018-06-05 cs.AI cs.LG stat.ML
Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China(清华大学深圳国际研究生院);Zhili College, Tsinghua University, Beijing, China(清华大学哲利学院)
本文提出Tree-Query框架,通过多专家LLM和对抗性置信度估计,实现透明、可解释的因果发现,提升数据自由环境下的因果推理能力。
2026-01-15 cs.AI cs.LG stat.ML
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
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
Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments
Institute of Mathematics and Computer Sciences at University of São Paulo(圣保罗大学数学与计算机科学研究所)
提出广义 ps-BART 非参数模型估计连续处理下的 ATE 与 CATE,在多组 DGP 中优于 BCF,尤其适用于非线性关系。
2024-09-10 cs.LG stat.AP stat.ML
NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation
Indian Institute of Technology Hyderabad(印度海得拉巴理工学院)
本文提出了一种名为NESTER的自适应神经符号方法,通过设计领域特定语言将现有基于多头神经网络的因果效应估计思想整合到统一框架中,并在理论和实验上均验证了其优于现有最先进方法的性能。
2024-01-08 cs.AI cs.LG stat.ME
Shrinkage Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation
University College London(伦敦大学学院)
本文开发了一个稀疏诱导版本的贝叶斯因果森林,最近提出的非参数因果回归模型,采用贝叶斯加性回归树,是专门设计来估计异质性处理效应使用观察数据。我们引入的稀疏诱导成分是由实证研究激发的,其中并非所有可用的协变量都是相关的,从而导致在估计个体处理效应时感兴趣的表面的稀疏程度不同。在这项工作中提出的扩展版本,我们称之为收缩贝叶斯因果森林,配备了一对额外的先验,允许模型通过树集合中相应的分裂数来调整每个协变量的权重。这些先验提高了模型对稀疏数据生成过程的适应性,并允许在处理效应估计的框架中执行完全贝叶斯特征收缩,从而揭示驱动异质性的调节因素。此外,该方法允许将有关相关混杂协变量及其对结果影响的相对幅度的先验知识纳入模型中。我们说明了我们的方法在模拟研究中的性能,与贝叶斯因果森林和其他最先进的模型相比,展示了它如何随着协变量数量的增加而扩展,以及它如何处理强烈混淆的场景。最后,我们还提供了一个使用真实世界数据的应用程序的例子。
2021-11-16 cs.LG stat.ME stat.ML
Black Box Causal Inference: Effect Estimation via Meta Prediction
New York University(纽约大学);Genentech(基因泰克);Center for Data Science, New York University(纽约大学数据科学中心);Prescient Design, Genentech(基因泰克预见设计部)
本文提出黑盒因果推断(BBCI),将因果效应估计转化为数据集层面的元预测问题,通过从采样的数据集-效应对中学习构建估计器,在多个因果推断问题上准确估计ATE和CATE。
2025-03-07 cs.AI cs.LG stat.CO
Detecting Fraud in Financial Networks: A Semi-Supervised GNN Approach with Granger-Causal Explanations
University of Amsterdam(阿姆斯特丹大学);KPMG Netherlands(荷兰德勤)
本文提出半监督图神经网络方法SAGE-FIN,利用弱标记数据检测金融网络欺诈,并通过格兰杰因果关系提供可解释性,在Elliptic++数据集上验证了其有效性。
2025-06-25 cs.LG q-fin.ST stat.ML
Optimizing Feature Selection in Causal Inference: A Three-Stage Computational Framework for Unbiased Estimation
Northeastern University(东北大学)
提出增强的三阶段计算框架优化因果推断中的特征选择,通过减少处理相关变量和虚假变量的影响来降低偏差与方差,并在合成数据和真实阿片类药物政策数据上验证了其优越性与可扩展性。
2025-02-01 cs.AI cs.LG stat.ME
DoubleMLDeep: Estimation of Causal Effects with Multimodal Data
University of Hamburg(汉堡大学);Economic AI GmbH(Economic AI有限公司);Massachusetts Institute of Technology(麻省理工学院)
本文提出适应双机器学习框架的神经网络架构,并生成半合成数据集,以利用文本和图像多模态数据估计因果效应,相比标准方法展现潜在优势。
2024-02-01 cs.AI cs.LG econ.EM
Towards Principled Causal Effect Estimation by Deep Identifiable Models
The Graduate University for Advanced Studies(综合研究大学院大学);The Institute of Statistical Mathematics(统计数学研究所)
作为因果推断中的一个重要问题,我们讨论了处理效应(TE)的估计。代表作为一个潜在变量的混杂因素,我们提出了完整的VAE,变分自动编码器(VAE)的一个新的变种,动机的预后评分,足以识别TE。我们的VAE也自然地使用其先验知识为治疗组提供了平衡的表示。在(半)合成数据集上的实验显示了在不同设置下的最新性能,包括未观察到的混淆。我们的模型的可识别性的基础上,我们证明了识别TE unconfoundedness下,也讨论了(可能的)扩展到更难的设置。
2021-11-01 cs.LG econ.EM stat.ME
A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对观测数据因果估计中协变量失衡与混杂偏倚问题,提出融合IPW与扩散预训练的IWDD生成框架,通过随机化调整简化计算并降低梯度方差,实现了最优的样本外预测性能。
2025-05-16 cs.LG stat.AP stat.ME
Extended Wasserstein-GAN Approach to Causal Distribution Learning: Density-Free Estimation and Minimax Optimality
The University of Tokyo(东京大学);Japan Institute for Health Security(日本健康安全研究所);RIKEN Center for Advanced Intelligence Project(理化学研究所先进情报项目);Kyoto University(京都大学)
本文提出GANICE方法,通过扩展Wasserstein距离和极小极大最优性理论,解决因果分布估计中的无密度估计和最优性问题,实验表明其优于现有方法。
2026-11-10 cs.LG math.ST stat.ML
To Predict or to Reject: Causal Effect Estimation with Uncertainty on Networked Data
The University of Queensland(昆士兰大学);Health and Wellbeing Queensland(昆士兰健康与福利局);University of Electronic Science and Technology of China(电子科技大学)
针对网络化数据因果效应估计中违背positivity假设导致不可靠的问题,提出带Lipschitz约束的GraphDKL框架,利用高斯过程建模预测不确定性以识别不可靠估计,是首个解决图上该问题的框架。
2023-09-15 cs.AI cs.LG stat.ME
A Practical Introduction to Bayesian Estimation of Causal Effects: Parametric and Nonparametric Approaches
本文面向统计实践者系统介绍因果效应的贝叶斯估计,涵盖参数先验收缩、稀疏性、概率敏感性分析及非参数贝叶斯方法,并提供点处理、时变处理与开源代码示例。
2020-08-21 stat.ME stat.ML
Meta-Learners for Estimation of Causal Effects: Finite Sample Cross-Fit Performance
使用机器学习方法估计因果效应已成为计量经济学中一个活跃的研究领域。本文研究了在使用样本分裂和交叉拟合来减少过拟合偏差的情况下,元学习器在估计异质处理效应时的有限样本性能。在合成和半合成模拟中,我们发现元学习器在有限样本中的性能在很大程度上取决于估计过程。结果表明,样本分裂和交叉拟合是有益的,在大样本的偏差减少和元学习器的效率,分别,而全样本估计是更可取的小样本。此外,我们根据特定的数据特征,如治疗份额和样本量,得出具体的元学习者在实证研究中的应用的实际建议。
2022-01-30 econ.EM stat.ML
Linking a predictive model to causal effect estimation
University of South Australia(南澳大学)
本文解决了估计任意特征对给定实例结果的因果效应问题,证明满足特定条件的预测模型可进行因果可解释估计,且准确性与先进因果方法相当,适用于鲁棒预测与个性化决策。
2023-04-10 cs.AI cs.LG stat.ME
Rejoinder to discussions on "Instrumental variable estimation of the causal hazard ratio"
我们回应评论我们的论文,题为“工具变量估计的因果风险比。"
2022-10-24 stat.ME
RepFlow: Representation Enhanced Flow Matching for Causal Effect Estimation
Department of Data Science and Artificial Intelligence, The Hong Kong Polytechnic University, Hong Kong, China(数据科学与人工智能系,香港理工大学,香港,中国)
RepFlow通过结合表示学习与条件流匹配,解决因果推断中的选择偏差问题,提升因果效应估计的精度与鲁棒性。
2026-05-07 cs.LG stat.ME
Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation
Technical University of Munich(慕尼黑工业大学);Mila - Quebec AI Institute(米拉 - 魁北克人工智能研究所);ServiceNow Research(ServiceNow研究院);Université de Montréal(蒙特利尔大学);Helmholtz AI(亥姆霍兹人工智能研究所)
针对因果发现方法评估中忽视下游推断的问题,该研究在处理效应估计任务上评估了七种方法(含基于GFlowNets的新方法),通过分布层面评估揭示了不同算法在捕捉ATE模式上的表现差异。
2023-07-30 cs.LG stat.ME
Text Rationalization for Robust Causal Effect Estimation
Department of Statistics, University of California, Irvine(加州大学 Irvine 分校统计学系)
CATR通过选择必要的令牌子集来缓解观测层面的正则性违反,提高因果效应估计的准确性与稳定性。
2025-12-05 cs.AI cs.CL cs.LG
Language Models as Causal Effect Generators
New York University(纽约大学)
本文提出序列驱动的结构因果模型(SD-SCMs),利用语言模型定义因果机制以生成观测、干预和反事实数据,并据此构建个体级因果推断基准,发现现有方法在个体效应估计上仍面临困难。
2025-09-22 cs.AI cs.CL cs.LG
Using LLMs to Directly Guess Conditional Expectations Can Improve Efficiency in Causal Estimation
Yale University(耶鲁大学)
本文提出利用 LLM 生成的预测直接作为预测变量,以提升双重机器学习中条件期望函数的估计性能,从而有效克服高维混淆因子下的维度灾难并提高因果估计效率。
2025-10-09 cs.LG stat.ME
High Fidelity Image Counterfactuals with Probabilistic Causal Models
Imperial College London(伦敦帝国理工学院);Microsoft Research Cambridge(微软剑桥研究院)
针对高维图像类结构化变量的反事实与干预查询估计难题,研究结合因果中介分析思路与生成建模进展,提出含新型深度因果机制的通用因果生成建模框架,实验验证其在溯因及各类效应估计上的准确性。
2023-07-18 cs.LG stat.ME
Learning Conditional Instrumental Variable Representation for Causal Effect Estimation
University of South Australia(南澳大学)
本文提出DVAE.CIV方法,利用解纠缠表示学习自动学习条件工具变量及其条件集的表示,以消除未测量混杂偏差,在合成和真实数据上优于现有因果效应估计器。
2023-06-21 cs.AI cs.LG stat.ME
An R package for parametric estimation of causal effects
该研究推出R包CausalModels,整合了Hernan与Robins提出的传统统计因果推断方法,提供无需深厚统计知识即可处理观测数据偏差的工具,搭建了多方法统一建模的易用框架。
2023-07-18 cs.LG cs.MS stat.AP
Do Finetti: On Causal Effects for Exchangeable Data
Toyota Research Institute(丰田研究所);Oregon State University(俄勒冈州立大学);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)
针对非独立同分布的可交换数据,提出广义因果效应估计框架与截断分解公式,实现多环境数据下的因果效应识别、估计及因果发现。
2024-05-29 cs.LG stat.ME
Robust Estimation of Data-Dependent Causal Effects based on Observing a Single Time-Series
University of California, Berkeley(加州大学伯克利分校)
考虑观察单个时间序列的情况,其中在每个时间t,观察涉及治疗节点A(t)、可能的协变量L(t)和结果节点Y(t)的数据记录O(t)。在时间t处的数据记录携带在由固定维度汇总度量Co(t)定义的上下文中治疗A(t)对结果Y(t)的(潜在因果)影响的信息。我们关心的是定义因果效应,可以一致地估计,有效的推理,顺序随机实验没有进一步的假设。更一般地说,我们考虑的情况下,(可能是因果关系)的影响,可以估计在一个双稳健的方式,类似于双稳健估计的影响,在i.i.d.因果推理文献我们提出了一个一般类的平均值的条件(特定于上下文)的因果参数,可以估计在一个双重的强大的方式,因此充分利用顺序随机化。我们提出了一个有针对性的最大似然估计(TMLE),这些因果参数,并提出了一个一般定理建立的渐近一致性和正态性的TMLE。我们将我们的一般框架扩展到一些典型的研究因果目标参数,包括在单个单元内的顺序自适应设计,该设计随着时间的推移学习该单元的最佳治疗规则。我们的工作开辟了强大的统计推断因果问题的基础上观察一个特定的单元上的单个时间序列。
2018-09-03 cs.LG math.ST stat.AP
When Prediction Error Is Not Enough: Evaluating Nuisance-Function Prediction for Causal Estimation
Yale School of Public Health(耶鲁公共卫生学院)
该研究针对因果推断中预测误差作为干扰函数估计度量的不足,通过模拟对比多种方法,发现预测误差与因果性能关联不稳定,联合误差度量也不适用,建议谨慎使用预测误差评估因果估计质量。
2026-10-23 cs.AI cs.LG stat.ME
Neural Networks with Causal Graph Constraints: A New Approach for Treatment Effects Estimation
Universitat de Barcelona(巴塞罗那大学);Zenital(泽尼塔尔公司)
提出NN-CGC模型,通过因果图约束减少虚假交互偏差,提升治疗效应估计精度,在基准上达到新最优。方法对不完美因果图鲁棒,部分因果信息优于忽略。
2024-04-18 cs.LG stat.ME
The central role of Bayes theorem for joint estimation of causal effects and propensity scores
虽然倾向得分在30多年来一直是因果效应估计的核心,但直到最近,统计学文献才开始详细考虑倾向得分和因果效应的贝叶斯估计方法。在最近的贝叶斯倾向得分估计的文献中,倾向得分的目标和贝叶斯定理的使用之间存在着隐含的不一致。倾向得分将多变量协变量信息浓缩为标量,以允许估计因果效应,而无需指定每个协变量如何与结果相关的模型。避免指定结果响应面的详细模型对于因果效应的稳健估计是有价值的,但是这种策略与贝叶斯定理的使用不一致,贝叶斯定理预先假定了观测数据的全概率模型。本文的目的是阐明这一基本特征的贝叶斯估计的因果效应与倾向得分,以提供现有的文献和未来的工作在这个重要的话题。
2014-04-08 stat.ME
Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University(德克萨斯农工大学);Shell USA Inc(壳牌美国公司)
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题,提出图分裂贝叶斯因果森林(GSBCF),融合GS-BART与贝叶斯因果森林框架,通过图引导分裂规则建模空间结构,实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
Improving Data-driven Heterogeneous Treatment Effect Estimation Under Structure Uncertainty
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
估计治疗如何影响个体,称为异质性治疗效果(HTE)估计,是决策和政策实施的重要组成部分。在许多领域(如医疗保健和电子商务)中积累了大量数据,这使得人们越来越有兴趣开发数据驱动的算法,用于从观察和实验数据中估计异质效应。然而,这些方法通常对观察到的特征做出强有力的假设,而忽略了潜在的因果模型结构,这可能导致有偏的HTE估计。与此同时,考虑真实世界数据的因果结构很少是微不足道的,因为产生数据的因果机制通常是未知的。为了解决这个问题,我们开发了一种特征选择方法,该方法考虑每个特征的HTE估计值,并从数据中学习因果结构的相关部分。我们提供了强有力的经验证据表明,我们的方法改进了现有的数据驱动的HTE估计方法下任意潜在的因果结构。我们在合成、半合成和真实世界数据集上的结果表明,我们的特征选择算法导致较低的HTE估计误差。
2022-06-25 cs.LG stat.ME
Causal Effect Estimation Methods
讨论了从观测数据中进行因果推断的两种流行建模框架--因果图模型和潜在结果因果模型之间的关系。一些流行的因果效应估计发现在潜在结果因果模型的应用,如治疗加权估计和双稳健估计的逆概率,可以通过使用因果图模型得到。我们仅限于简单的情况下,二进制的结果和治疗变量与离散混杂因素,它是如何推广的结果,连续变量的情况下。
2014-10-31 stat.ME
Causal Estimation of User Learning in Personalized Systems
Stanford Graduate School of Business(斯坦福大学商学院);Google Research(谷歌研究院)
本文提出个性化系统中用户行为的非参数因果模型,指出CCD实验在个性化存在时存在偏差,并设计干预个性化系统的新实验以分别识别用户学习与个性化介导的因果效应。
2023-06-01 cs.LG econ.EM stat.ME
Towards unique and unbiased causal effect estimation from data with hidden variables
University of South Australia(南澳大学);Hefei University of Technology(合肥工业大学)
从观测数据中估计因果关系是一项重要但具有挑战性的任务。目前,只有有限数量的数据驱动的因果效应估计方法可用。这些方法要么仅提供治疗对结果的因果效应的约束估计,要么产生因果效应的唯一估计,但对数据进行强假设,效率较低。在本文中,我们确定了一个实际的问题设置,并提出了一种方法来实现唯一的和无偏估计的因果关系的数据与隐藏变量。对于这种方法,我们已经开发了定理,以支持发现适当的协变量集的混淆调整(调整集)。在此基础上,提出了两种从含有隐变量的数据中寻找适当的调整集以获得无偏唯一因果效应估计的算法。使用五个基准贝叶斯网络和四个真实世界的数据集生成的合成数据集的实验证明了所提出的算法的效率和有效性,表明所确定的问题设置的实用性和所提出的方法在现实世界中的应用潜力。
2020-11-07 cs.AI stat.ME
Robust Bayesian causal estimation for causal inference in medical diagnosis
本文针对高维医学诊断中的因果效应估计问题,提出基于先验敏感性分析的谨慎贝叶斯组LASSO变量选择框架,并证明在信息有限时弃权选择或专家启发式选择可提升因果估计的稳定性。
2024-11-19 stat.AP stat.ME