論文の概要: A Practical Approach to Causal Inference over Time

• arxiv url: http://arxiv.org/abs/2410.10502v1
• Date: Mon, 14 Oct 2024 13:45:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-29 21:14:59.052166
• Title: A Practical Approach to Causal Inference over Time
• Title（参考訳）: 時間的因果推論の実践的アプローチ
• Authors: Martina Cinquini, Isacco Beretta, Salvatore Ruggieri, Isabel Valera,
• Abstract要約: 我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。 因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。 得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
• 参考スコア（独自算出の注目度）: 17.660953125689105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we focus on estimating the causal effect of an intervention over time on a dynamical system. To that end, we formally define causal interventions and their effects over time on discrete-time stochastic processes (DSPs). Then, we show under which conditions the equilibrium states of a DSP, both before and after a causal intervention, can be captured by a structural causal model (SCM). With such an equivalence at hand, we provide an explicit mapping from vector autoregressive models (VARs), broadly applied in econometrics, to linear, but potentially cyclic and/or affected by unmeasured confounders, SCMs. The resulting causal VAR framework allows us to perform causal inference over time from observational time series data. Our experiments on synthetic and real-world datasets show that the proposed framework achieves strong performance in terms of observational forecasting while enabling accurate estimation of the causal effect of interventions on dynamical systems. We demonstrate, through a case study, the potential practical questions that can be addressed using the proposed causal VAR framework.
• Abstract（参考訳）: 本稿では,動的システムにおける介入の因果効果の時間的評価に焦点をあてる。 そこで我々は,因果介入とその時間的効果が離散時間確率過程(DSP)に与える影響を正式に定義する。 次に, 因果介入前後のDSPの平衡状態が, 構造因果モデル (SCM) によって捉えることができる条件を示す。 このような同値性を持ち、ベクトル自己回帰モデル(VAR)から、計量経済学において広く応用されるが、線形でありながら、非測定された共同設立者SCMの影響を受けうる、明示的なマッピングを提供する。 得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。 提案手法は, 動的システムに対する介入の因果的影響を正確に評価しながら, 観測予測の観点から高い性能を達成できることを示す。 ケーススタディを通じて、提案した因果VARフレームワークを用いて対処できる潜在的な実践的疑問を実証する。

関連論文リスト

• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• DAG-aware Transformer for Causal Effect Estimation [0.8192907805418583]
  因果推論は、医療、経済学、社会科学などの分野における重要な課題である。 本稿では,これらの課題を克服する因果推論のためのトランスフォーマーを用いた新しい手法を提案する。 我々のモデルの中核となる革新は、注意機構に直接因果非巡回グラフ(DAG)を統合することである。
  論文  参考訳（メタデータ） (2024-10-13T23:17:58Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Estimating Direct and Indirect Causal Effects of Spatiotemporal Interventions in Presence of Spatial Interference [0.46052594866569146]
  まず, 空間干渉の概念を, 未測定条件を仮定して拡張することで, 時間変化による治療結果に対する空間干渉の概念を拡張した。 次に、時間的因果推論のための深層学習に基づく潜在的結果モデルを提案する。 U-Netアーキテクチャのパワーを利用して、時間とともに空間的干渉を捉えながら、時間変化による干渉を低減するために潜時因子モデリングを利用する。
  論文  参考訳（メタデータ） (2024-05-13T20:39:27Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Inference on Causal Effects of Interventions in Time using Gaussian Processes [0.0]
  本稿では,特定の時点における介入の因果的影響を推測することに焦点を当てた。 我々は、中断した時系列のフレームワークを運用し、合成制御のようなアプローチを拡張します。 開発されたモデルには高い柔軟性があり、機能形式にはほとんど制限がない。
  論文  参考訳（メタデータ） (2022-10-06T12:10:57Z)
• Causal Discovery from Conditionally Stationary Time Series [18.645887749731923]
  State-Dependent Causal Inference (SDCI)は根底にある因果関係を回復することができる。 NBA選手の動きをモデル化した非因果RNNよりも改善した結果,本手法の可能性が示された。
  論文  参考訳（メタデータ） (2021-10-12T18:12:57Z)
• Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
  ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。 潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-21T14:22:14Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。