Recover Experimental Data with Selection Bias using Counterfactual Logic

要約

特定のサンプルの体系的な包含または除外から生じる選択バイアスは、因果推論の妥当性に大きな課題をもたらします。
一方、Bareinboim et al。
部分的な外部情報、バックドア調整の複雑さ、および観察データへの強い依存により、多くの実際の設定での適用性を制限して、バイアスデータから偏った観察および介入分布を回復するための導入方法が導入されました。
この論文では、実験データを使用した選択バイアスの下で、$ p（y^*_ {x^*}）$の回収可能性を正式に発見します。
構造因果モデル（SCM）を介して反事実的な世界を明示的に構築することにより、観察世界の選択メカニズムが反事実的なドメインにどのように伝播するかを分析します。
グラフィカルおよび理論的基準の完全なセットを導き出し、実験的分布が選択バイアスの影響を受けないままであることを判断します。
さらに、偏った実験データセットから$ p（y^*_ {x^*}）$を回復するために、部分的に偏りのない観察データを活用するための原則的な方法を提案します。
シミュレーション研究現実的な研究シナリオを複製することは、私たちのアプローチの実用的な有用性を示しており、応用された因果推論における選択バイアスを緩和するための具体的なガイダンスを提供します。

要約(オリジナル)

Selection bias, arising from the systematic inclusion or exclusion of certain samples, poses a significant challenge to the validity of causal inference. While Bareinboim et al. introduced methods for recovering unbiased observational and interventional distributions from biased data using partial external information, the complexity of the backdoor adjustment and the method’s strong reliance on observational data limit its applicability in many practical settings. In this paper, we formally discover the recoverability of $P(Y^*_{x^*})$ under selection bias with experimental data. By explicitly constructing counterfactual worlds via Structural Causal Models (SCMs), we analyze how selection mechanisms in the observational world propagate to the counterfactual domain. We derive a complete set of graphical and theoretical criteria to determine that the experimental distribution remain unaffected by selection bias. Furthermore, we propose principled methods for leveraging partially unbiased observational data to recover $P(Y^*_{x^*})$ from biased experimental datasets. Simulation studies replicating realistic research scenarios demonstrate the practical utility of our approach, offering concrete guidance for mitigating selection bias in applied causal inference.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google