論文の概要: Semiparametric Inference For Causal Effects In Graphical Models With
Hidden Variables
- arxiv url: http://arxiv.org/abs/2003.12659v3
- Date: Thu, 13 Oct 2022 23:59:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 04:34:57.197182
- Title: Semiparametric Inference For Causal Effects In Graphical Models With
Hidden Variables
- Title(参考訳): 隠れ変数を持つグラフィカルモデルにおける因果効果の半パラメトリック推論
- Authors: Rohit Bhattacharya, Razieh Nabi, Ilya Shpitser
- Abstract要約: 隠れ変数有向非巡回グラフに関連する因果モデルにおける因果効果の同定理論をよく研究した。
対応するアルゴリズムは、出力する関数を推定する複雑さのために、過小評価される。
単一処理と単一結果を含む集団レベルの因果効果の同定と推定のギャップを橋渡しする。
- 参考スコア(独自算出の注目度): 13.299431908881425
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identification theory for causal effects in causal models associated with
hidden variable directed acyclic graphs (DAGs) is well studied. However, the
corresponding algorithms are underused due to the complexity of estimating the
identifying functionals they output. In this work, we bridge the gap between
identification and estimation of population-level causal effects involving a
single treatment and a single outcome. We derive influence function based
estimators that exhibit double robustness for the identified effects in a large
class of hidden variable DAGs where the treatment satisfies a simple graphical
criterion; this class includes models yielding the adjustment and front-door
functionals as special cases. We also provide necessary and sufficient
conditions under which the statistical model of a hidden variable DAG is
nonparametrically saturated and implies no equality constraints on the observed
data distribution. Further, we derive an important class of hidden variable
DAGs that imply observed data distributions observationally equivalent (up to
equality constraints) to fully observed DAGs. In these classes of DAGs, we
derive estimators that achieve the semiparametric efficiency bounds for the
target of interest where the treatment satisfies our graphical criterion.
Finally, we provide a sound and complete identification algorithm that directly
yields a weight based estimation strategy for any identifiable effect in hidden
variable causal models.
- Abstract(参考訳): 隠れ変数有向非巡回グラフ(DAG)に関連する因果モデルにおける因果効果の同定理論をよく研究した。
しかし、対応するアルゴリズムは、出力する関数を推定する複雑さのため、過小評価される。
本研究では,1つの治療と1つの結果を含む集団レベルの因果効果の同定と推定のギャップを橋渡しする。
本研究では, 簡単なグラフィカルな基準を満たす多種類の隠れ変数DAGにおいて, 同定された効果に対して二重のロバスト性を示す影響関数に基づく推定器を導出する。
また、隠れ変数DAGの統計モデルが非パラメトリック飽和であり、観測されたデータ分布に等値制約を課さない必要十分条件についても述べる。
さらに,完全に観測されたDAGに対して観測的に等価な(等値制約まで)データ分布を暗示する隠れ変数DAGの重要クラスを導出する。
これらのDAGのクラスでは、その処理がグラフィカルな基準を満たす関心の対象に対して半パラメトリック効率境界を達成する推定器を導出する。
最後に、隠れ変数因果モデルにおける任意の識別可能な効果に対して、重みに基づく推定戦略を直接生成する音響完全同定アルゴリズムを提案する。
関連論文リスト
- Average Causal Effect Estimation in DAGs with Hidden Variables: Extensions of Back-Door and Front-Door Criteria [3.0232957374216953]
隠れ変数を持つ有向パラメトリックグラフ(DAG)のクラスに対して,一段階補正プラグインと最小損失に基づく因果効果推定器を開発する。
機械学習を利用してモデリングの仮定を最小化するとともに、線形原始性、二重ロバスト性、効率性、および対象パラメータ空間の境界内に留まるといった重要な統計特性を保証します。
論文 参考訳(メタデータ) (2024-09-06T01:07:29Z) - Causal Effect Identification in LiNGAM Models with Latent Confounders [20.751445296400316]
線形非ガウス非環モデル (LiNGAM) における因果効果の一般同定可能性について検討した。
観察された変数間の直接因果効果や全因果効果の完全なグラフィカルな特徴付けを提供する。
論文 参考訳(メタデータ) (2024-06-04T07:30:27Z) - General Identifiability and Achievability for Causal Representation
Learning [33.80247458590611]
本稿では,潜伏因果グラフにおけるノード毎の2つのハードアンカップリング介入を用いて,識別可能性と達成性を評価する。
同定可能性について,未結合の介入の下で潜伏因果モデルと変数の完全回復が保証されることを示す。
さらに、この分析は、2つのハードカップリングされた介入に対して、同一ノードが介在する2つの環境に関するメタデータが知られている場合に、識別可能性の結果を回復する。
論文 参考訳(メタデータ) (2023-10-24T01:47:44Z) - Identifiability Guarantees for Causal Disentanglement from Soft
Interventions [26.435199501882806]
因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。
本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。
因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
論文 参考訳(メタデータ) (2023-07-12T15:39:39Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。
目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文 参考訳(メタデータ) (2023-01-19T18:39:48Z) - Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。
いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。
本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2022-08-30T11:12:59Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳(メタデータ) (2022-01-28T09:30:32Z) - BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery [97.79015388276483]
構造方程式モデル(SEM)は、有向非巡回グラフ(DAG)を介して表される因果関係を推論する効果的な枠組みである。
近年の進歩により、観測データからDAGの有効最大点推定が可能となった。
線形ガウス SEM を特徴付ける DAG 上の分布を推定するための変分フレームワークである BCD Nets を提案する。
論文 参考訳(メタデータ) (2021-12-06T03:35:21Z) - Identification of Latent Variables From Graphical Model Residuals [0.0]
本稿では,推定モデルの残差から遅延空間のプロキシを反復的に導出することにより,DAGを推定する際に潜伏空間を制御する新しい手法を提案する。
結果の予測の改善は本質的にカプセル化されており,既成モデルと比較して一定の限界を超えないことを示す。
論文 参考訳(メタデータ) (2021-01-07T02:28:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。