Modeling Latent Selection with Structural Causal Models

要約

選択バイアスは現実世界のデータに遍在しており、適切に対処しないと誤解を招く結果につながる可能性があります。
因果関係の観点から潜在選択をモデル化するために、構造因果モデル (SCM) に対する条件付け操作を導入します。
条件付け操作により、明示的な潜在選択メカニズムが存在する SCM が、元の SCM に従って選択された部分集団の因果的意味論を部分的にエンコードする、そのような選択メカニズムのない SCM に変換されることを示します。
さらに、この条件付け操作が SCM の単純性、非周期性、線形性を維持し、周縁化を伴って通勤することを示します。
これらの特性のおかげで、周縁化と介入と組み合わせた条件付け操作は、潜在的な詳細が抽象化された因果モデル内で因果推論タスクを実行するための貴重なツールを提供します。
因果推論の古典的な結果を一般化して選択バイアスを含める方法と、条件付け操作が現実世界の問題のモデル化にどのように役立つかを例によって示します。

要約(オリジナル)

Selection bias is ubiquitous in real-world data, and can lead to misleading results if not dealt with properly. We introduce a conditioning operation on Structural Causal Models (SCMs) to model latent selection from a causal perspective. We show that the conditioning operation transforms an SCM with the presence of an explicit latent selection mechanism into an SCM without such selection mechanism, which partially encodes the causal semantics of the selected subpopulation according to the original SCM. Furthermore, we show that this conditioning operation preserves the simplicity, acyclicity, and linearity of SCMs, and commutes with marginalization. Thanks to these properties, combined with marginalization and intervention, the conditioning operation offers a valuable tool for conducting causal reasoning tasks within causal models where latent details have been abstracted away. We demonstrate by example how classical results of causal inference can be generalized to include selection bias and how the conditioning operation helps with modeling of real-world problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google