論文の概要: Probabilities of Causation: Role of Observational Data
- arxiv url: http://arxiv.org/abs/2210.08874v1
- Date: Mon, 17 Oct 2022 09:10:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 18:53:18.572778
- Title: Probabilities of Causation: Role of Observational Data
- Title(参考訳): 因果関係の確率:観測データの役割
- Authors: Ang Li, Judea Pearl
- Abstract要約: 本稿では,境界値の品質向上を図る上で,観測データに価値がある条件について論じる。
また、Li と Pearl によって定義される単位選択問題に対して提案された定理を適用する。
- 参考スコア(独自算出の注目度): 20.750773939911685
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Probabilities of causation play a crucial role in modern decision-making.
Pearl defined three binary probabilities of causation, the probability of
necessity and sufficiency (PNS), the probability of sufficiency (PS), and the
probability of necessity (PN). These probabilities were then bounded by Tian
and Pearl using a combination of experimental and observational data. However,
observational data are not always available in practice; in such a case, Tian
and Pearl's Theorem provided valid but less effective bounds using pure
experimental data. In this paper, we discuss the conditions that observational
data are worth considering to improve the quality of the bounds. More
specifically, we defined the expected improvement of the bounds by assuming the
observational distributions are uniformly distributed on their feasible
interval. We further applied the proposed theorems to the unit selection
problem defined by Li and Pearl.
- Abstract(参考訳): 因果関係の確率は現代の意思決定において重要な役割を果たす。
パールは、因果関係の3つの二分確率、必要性と満足の確率(PNS)、満足の確率(PS)、必要の確率(PN)を定義した。
これらの確率は、実験データと観測データを組み合わせて天とパールによって境界付けられた。
しかし、観測データは実際には必ずしも利用できないため、ティアンとパールズ・セオレムは純粋な実験データを用いて有効ではあるが有効でない境界を提供した。
本稿では,境界値の品質向上を図る上で,観測データに価値がある条件について論じる。
より具体的には、観測分布が観測可能な間隔で均一に分布することを仮定して、境界の期待値の改善を定義する。
さらに,li と pearl で定義される単位選択問題に対して,提案定理を適用した。
関連論文リスト
- Intervention and Conditioning in Causal Bayesian Networks [23.225006087292765]
単純だが現実的な独立を仮定することで、介入公式の確率を推定できることを示す。
多くの場合、仮定が適切であれば、これらの確率推定は観測データを用いて評価することができる。
論文 参考訳(メタデータ) (2024-05-23T15:55:38Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳(メタデータ) (2023-07-31T11:28:24Z) - Causal inference for the expected number of recurrent events in the
presence of a terminal event [0.0]
終端イベントの存在下での繰り返し事象の因果推論と効率的な推定について検討した。
絶対連続性の仮定は、障害、検閲、観察されたデータの基本的な確率分布についてなされない。
論文 参考訳(メタデータ) (2023-06-28T21:31:25Z) - 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) - Probabilities of Causation: Adequate Size of Experimental and
Observational Samples [17.565045120151865]
テアンとパールは, 必要十分性(PNS), 十分性(PS), 必要性(PN)について, 実験的および観察的データを用いて, 鋭い境界を導出した。
この仮定は、実験的な分布と観測的な分布を正確に推定するために十分な量のサンプルを保有しているというものである。
本稿では、所定の信頼区間(CI)が特定された場合に、そのような推定に必要なサンプルサイズを決定する方法を提案する。
論文 参考訳(メタデータ) (2022-10-10T21:59:49Z) - Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。
本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文 参考訳(メタデータ) (2022-08-29T16:16:22Z) - Probabilities of Causation with Nonbinary Treatment and Effect [20.750773939911685]
TianとPearlは、必要および十分性の確率の鋭い境界を導出した。
我々は、多値な治療と効果に対する因果関係のあらゆる種類の確率に関する理論的境界を提供する。
論文 参考訳(メタデータ) (2022-08-19T23:54:47Z) - Bounding Counterfactuals under Selection Bias [60.55840896782637]
本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。
選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
論文 参考訳(メタデータ) (2022-07-26T10:33:10Z) - Nested Counterfactual Identification from Arbitrary Surrogate
Experiments [95.48089725859298]
観測と実験の任意の組み合わせからネスト反事実の同定について検討した。
具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
論文 参考訳(メタデータ) (2021-07-07T12:51:04Z) - Causes of Effects: Learning individual responses from population data [23.593582720307207]
個別化の問題とその医学への応用について研究する。
例えば、治療の恩恵を受ける確率は、治療された場合の好ましくない結果と、治療されていない場合の好ましくない結果である。
必要十分度(PNS)の確率に限界を当て、グラフィカルな基準や実用的応用とともに既存の研究を分析・拡大します。
論文 参考訳(メタデータ) (2021-04-28T12:38:11Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳(メタデータ) (2020-11-04T10:00:27Z)
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。