Approximate Causal Effect Identification under Weak Confounding

要約

因果効果の推定は、観察データのみが利用可能な場合に多くの研究者によって研究されてきました。
特定可能な因果関係のあるクエリをポイントごとに推定するための、健全で完全なアルゴリズムが開発されています。
特定できない因果関係のクエリについては、研究者は因果効果の厳しい限界を推定する多項式プログラムを開発しました。
ただし、サポート サイズが大きい変数を最適化するのは計算上困難です。
この論文では、因果推定値に対する「弱い交絡」の影響を分析します。
より具体的には、クエリを識別不可能にする観察されていない交絡因子のエントロピーが小さいという仮定の下で、因果効果の上限と下限を導出する効率的な線形プログラムを提案します。
観測されていない交絡因子のエントロピーがゼロになると、上限と下限の間のギャップがなくなるという意味で、境界が一貫していることを示します。
最後に、合成データと実際のデータのシミュレーションを実行して、そのようなエントロピー制約を組み込むことができない既存の研究によって得られた境界と境界を比較し、弱い交絡因子を使用した設定では境界がより厳しいことを示します。

要約(オリジナル)

Causal effect estimation has been studied by many researchers when only observational data is available. Sound and complete algorithms have been developed for pointwise estimation of identifiable causal queries. For non-identifiable causal queries, researchers developed polynomial programs to estimate tight bounds on causal effect. However, these are computationally difficult to optimize for variables with large support sizes. In this paper, we analyze the effect of ‘weak confounding’ on causal estimands. More specifically, under the assumption that the unobserved confounders that render a query non-identifiable have small entropy, we propose an efficient linear program to derive the upper and lower bounds of the causal effect. We show that our bounds are consistent in the sense that as the entropy of unobserved confounders goes to zero, the gap between the upper and lower bound vanishes. Finally, we conduct synthetic and real data simulations to compare our bounds with the bounds obtained by the existing work that cannot incorporate such entropy constraints and show that our bounds are tighter for the setting with weak confounders.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google