Stochastic Causal Programming for Bounding Treatment Effects

要約

因果関係の推定は、自然科学や社会科学の多くのタスクにとって重要です。
私たちは、連続部分識別問題のアルゴリズムを設計します。測定されていない交絡により識別が不可能になる場合に、多変量の連続処理の効果を制限します。
具体的には、制約付き最適化問題内の目的関数として因果効果をキャストし、これらの関数を最小化/最大化して限界を取得します。
私たちは柔軟な学習アルゴリズムとモンテカルロ法を組み合わせて、確率的因果プログラミングの名のもとに一連のソリューションを実装します。
特に、補助変数が治療前セットと治療後セットにクラスター化されており、詳細な因果関係グラフを簡単に指定できない設定で、一般的なフレームワークを効率的に定式化できる方法を示します。
これらの設定では、隠れた一般的な原因の分布ファミリーを完全に指定する必要を回避できます。
モンテカルロ計算も大幅に簡素化され、代替アルゴリズムに対して計算的により安定したアルゴリズムが実現します。

要約(オリジナル)

Causal effect estimation is important for many tasks in the natural and social sciences. We design algorithms for the continuous partial identification problem: bounding the effects of multivariate, continuous treatments when unmeasured confounding makes identification impossible. Specifically, we cast causal effects as objective functions within a constrained optimization problem, and minimize/maximize these functions to obtain bounds. We combine flexible learning algorithms with Monte Carlo methods to implement a family of solutions under the name of stochastic causal programming. In particular, we show how the generic framework can be efficiently formulated in settings where auxiliary variables are clustered into pre-treatment and post-treatment sets, where no fine-grained causal graph can be easily specified. In these settings, we can avoid the need for fully specifying the distribution family of hidden common causes. Monte Carlo computation is also much simplified, leading to algorithms which are more computationally stable against alternatives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google