論文の概要: Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies
- arxiv url: http://arxiv.org/abs/2603.00041v1
- Date: Mon, 09 Feb 2026 05:20:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 01:20:07.985365
- Title: Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies
- Title（参考訳）: Econometric vs. Causal Structure-Learning for Time-Series Policy Decisions: Evidence from the UK COVID-19 Policies
- Authors: Bruno Petrungaro, Anthony C. Constantinou,
- Abstract要約: 因果機械学習(ML)は、潜在的な因果関係を知らせるグラフィカルな構造を復元する。
本研究では,時系列データから因果構造を復元できるエコノメトリ手法を評価する。
- 参考スコア（独自算出の注目度）: 5.929956715430168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal machine learning (ML) recovers graphical structures that inform us about potential cause-and-effect relationships. Most progress has focused on cross-sectional data with no explicit time order, whereas recovering causal structures from time series data remains the subject of ongoing research in causal ML. In addition to traditional causal ML, this study assesses econometric methods that some argue can recover causal structures from time series data. The use of these methods can be explained by the significant attention the field of econometrics has given to causality, and specifically to time series, over the years. This presents the possibility of comparing the causal discovery performance between econometric and traditional causal ML algorithms. We seek to understand if there are lessons to be incorporated into causal ML from econometrics, and provide code to translate the results of these econometric methods to the most widely used Bayesian Network R library, bnlearn. We investigate the benefits and challenges that these algorithms present in supporting policy decision-making, using the real-world case of COVID-19 in the UK as an example. Four econometric methods are evaluated in terms of graphical structure, model dimensionality, and their ability to recover causal effects, and these results are compared with those of eleven causal ML algorithms. Amongst our main results, we see that econometric methods provide clear rules for temporal structures, whereas causal-ML algorithms offer broader discovery by exploring a larger space of graph structures that tends to lead to denser graphs that capture more identifiable causal relationships.
- Abstract（参考訳）: 因果機械学習(ML)は、潜在的な因果関係を知らせるグラフィカルな構造を復元する。
時系列データから因果構造を復元することは、因果MLにおける現在進行中の研究の対象となっている。
本研究は,従来の因果MLに加えて,時系列データから因果構造を復元するエコノメトリ手法を評価する。
これらの手法の使用は、計量学の分野が因果関係、特に時系列に何年にもわたって与えた重要な注意によって説明できる。
これにより,従来の因果MLアルゴリズムとエコノメトリの因果発見性能を比較することが可能となる。
我々は,econometricsから因果MLに組み込むべき教訓が何かあるのかを理解し,これらのエコノメトリ手法の結果を最も広く使われているBayesian Network Rライブラリbnlearnに翻訳するためのコードを提供する。
本稿では、英国における新型コロナウイルスの実例を例として、政策決定を支援する上でこれらのアルゴリズムがもたらすメリットと課題について考察する。
図形構造, モデル次元, 因果効果の回復能力から, 4つのエコノメトリ法を評価し, それらの結果を11個の因果MLアルゴリズムと比較した。
主要な結果の中で、エコノメトリ手法は時間構造に対して明確な規則を提供するのに対し、因果-MLアルゴリズムはより大きなグラフ構造の空間を探索することでより広い発見を提供する。
関連論文リスト
- Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。
ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。
本稿では,複数視点因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-02-27T14:06:14Z) - Dynamic Causal Structure Discovery and Causal Effect Estimation [5.943525863330208]
因果関係の時間変化を許容する動的因果関係グラフをモデル化する新しい枠組みを開発する。
因果グラフ上で過去の推定値と将来の予測値の両方を提供するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-11T12:52:39Z) - Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - Improving Finite Sample Performance of Causal Discovery by Exploiting Temporal Structure [0.0]
因果発見の方法は、データ駆動方式で因果構造を特定することを目的としている。
既存のアルゴリズムは不安定で統計的誤差に敏感であることが知られている。
本稿では,時間的構造,いわゆる階層的背景知識を利用するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-27T19:36:26Z) - Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。
大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
論文 参考訳（メタデータ） (2024-02-06T12:18:54Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。
我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。
実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z) - Heteroscedastic Causal Structure Learning [2.566492438263125]
ガウス雑音下での不連続因果構造学習問題に取り組む。
因果的機構の正常性を利用して、有効な因果的順序付けを復元することができる。
その結果,単純な因果構造学習アルゴリズムHOST (Heteroscedastic causal STructure Learning) が得られた。
論文 参考訳（メタデータ） (2023-07-16T07:53:16Z) - Open problems in causal structure learning: A case study of COVID-19 in
the UK [4.159754744541361]
因果機械学習(ML)アルゴリズムは、原因と効果の関係について何かを教えてくれるグラフィカルな構造を復元する。
本稿では、COVID-19 UKパンデミックデータに適用した因果MLの課題について検討する。
論文 参考訳（メタデータ） (2023-05-05T22:04:00Z) - 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) - Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。
本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。
提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文 参考訳（メタデータ） (2021-11-15T03:16:56Z)
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。