基于工具变量的时序数据因果发现新方法

本文提出了一种创新框架,能够同时发现时间滞后因果关系和可能具有循环结构的瞬时因果关系。通过结合纵向数据中的工具变量信息,证明了该模型具有普遍可识别性,并采用完全贝叶斯方法进行结构学习。

摘要

研究针对纵向观测数据的因果发现问题,开发了能够同时发现时滞因果关系和可能具有循环结构的瞬时因果关系的新框架。在常见因果发现假设基础上,结合纵向数据中通常可用的工具变量信息,证明了所提模型具有普遍可识别性。据所知,这是首个针对具有一般循环结构的有向图实现唯一因果可识别性的理论。采用完全贝叶斯方法进行结构学习。通过大量模拟实验和在女性艾滋病队列研究中的应用,验证了该模型的可识别性、实用性和相对于现有最优方法的优越性。

comments powered by Disqus
使用 Hugo 构建
主题 StackJimmy 设计