因果推理
文章平均质量分 79
一千克欣喜
这个作者很懒,什么都没留下…
展开
-
因果推理
https://blog.csdn.net/sinat_35177634/article/details/106097910原创 2021-03-24 16:47:22 · 635 阅读 · 0 评论 -
因果推理(十):Causal Discovery from Observational Data
ding原创 2021-02-08 12:35:08 · 5285 阅读 · 0 评论 -
因果推理(九):双重差分(Difference-in-Differences)
ding原创 2021-01-27 00:06:20 · 3788 阅读 · 0 评论 -
因果推理(八):工具变量(Intrusmental Variables)
关于因果关系的识别,前面介绍了一些方法:随机对照试验、后门调整、前门调整、do-演算。今天介绍另一种进行因果效应识别的另一种方法:工具变量。1. 什么是工具变量?上面的因果图中,ZZZ就是一个工具变量,可以利用它在UUU观测不到的情况下计算TTT对YYY的因果效应。工具变量的标准:(Relevance)ZZZ是TTT的直接原因。(Exclusion Restriction)ZZZ对YYY的因果效应由TTT完全介导。(Instrumental Unconfoundedness)ZZZ到YYY没原创 2021-01-25 13:19:51 · 5304 阅读 · 0 评论 -
因果推理(七):Unobserved Confounding: Bounds and Sensitivity Analysis
上一章的估计过程的一个前提是我们掌握了去混杂的充分调整集。也就是说,我们确定W是一个充分调整集的时候,我们可以用下面的公式计算因果量。然而,很多时候,可能会存在没有被我们观测到的混杂因素,比如上图中的U。在这种情况下,我们需要同时对W和U进行调整,但由于我们没有观察到U,势必不会调整U,这就使得我们的估计结果产生了误差。这一章,我们将探讨这个误差的大小及其对整个结果的影响。1. Bounds在因果推理中,我们定义了一个很强的假设“Unconfoundness”,满足unconfoundness,原创 2021-01-23 12:19:47 · 1287 阅读 · 0 评论 -
【论文笔记】Interventional Few-Shot Learning
概述目前流行的meta-learning、fine-tuning等小样本学习方法都利用外部知识进行预训练,以使模型在小样本上有好的效果。而预训练知识很可能会成为影响样本特征与标签之间的关系的混杂因素,使模型得到错误的结果。研究目标问题陈述few-shot learning典型的few-shot learning:在 NNN-shot support set SSS上训练 KKK-way 分类器,其中NNN代表每个类中的训练样本数,这个数字很小(如NNN=1或5);然后再 query set QQQ原创 2021-01-21 13:13:22 · 2217 阅读 · 1 评论 -
因果推理(六):estimation
前面几讲都专注于上图中Identification的部分,这次介绍Estimation。条件结果模型(conditional outcome modeling, COM)提高数据效率倾向得分(propensity scores)和 IPW其它因果估计的方法原创 2020-12-28 10:47:23 · 1255 阅读 · 3 评论 -
因果推理(五):随机试验和可识别
上次介绍了identification的方法——后门调整。但后门调整不是实现identification的唯一方法,这次会介绍identification的其他方法。1. 随机试验的神奇之处随机意味着协变量平衡协变量平衡:协变量X再干预组和对照组中的分布相同,那么就说协变量平衡。即:P(X∣T=1)=dP(X∣T=0)P(X \mid T=1) \stackrel{d}{=} P(X \mid T=0)P(X∣T=1)=dP(X∣T=0)因为随机实验中T的取值完全不取决于X,而是随机决定的,于是有原创 2021-01-21 22:04:32 · 1890 阅读 · 0 评论 -
因果推理(四):因果模型
因果模型对于因果量的确定是很重要的。在前面的学习中,我们将“确定”(identification)描述为将因果估计转换为统计估计的过程。确定-估计(Identification-Estimation)的流程如下图:1. Do-算子和干预(interventional)分布首先需要区别给定条件(condition)和干预(intervention)的概念。给定条件T=t的意思是我们只看在总体中treatment为t的子集;而intervention的意思是将总体中左右个体的treatment设为t。我们原创 2020-12-23 13:26:58 · 7036 阅读 · 0 评论 -
Directed Graphical Models
https://personal.utdallas.edu/~nrr150130/gmbook/bayes.html图形模型提供了联合概率分布的底层结构的可视化表示。正如我们将在下面看到的,这个结构编码了随机变量之间条件独立关系的信息。回想一下,这种独立关系对于理解与给定联合概率分布的表示和推理相关的计算成本非常重要。我们的第一个目标是用这个模型来回答一些简单的问题,例如,“随机变量XA独立于随机变量XB,是否取决于随机变量XC?”或者,“随机变量XA和XB是独立的吗?”虽然这些问题看起来很简单,但到目前原创 2020-12-20 16:09:44 · 613 阅读 · 0 评论 -
因果推理(三):关联和因果在因果图中的流动
1. 贝叶斯网络和因果图2. 图的基本结构块3. 关联及因果关系的流动(The flow of association and causation)原创 2020-12-20 16:14:15 · 2248 阅读 · 0 评论 -
因果推理(二):潜在结果(Potential Outcomes)
1. 什么是潜在结果潜在结果是指接受潜在治疗的个体的结果。 对于该个体,治疗的因果关系是个体接受治疗的潜在结果与未接受治疗的潜在结果之间的差异。2. 因果推理的基本问题数据缺失。以药丸对头痛的治疗效果为例,因果关系为:Yi(1)−Yi(0)Y_i(1)-Y_i(0)Yi(1)−Yi(0) ,其中,Yi(1)Y_i(1)Yi(1)代表吃药的潜在结果,Yi(0)Y_i(0)Yi(0)代表不吃药的潜在结果。但通常,对于特定的一个人,吃药时只能得到Yi(1)Y_i(1)Yi(1),不吃药时只能原创 2020-12-01 14:36:43 · 5566 阅读 · 0 评论 -
因果推理学习笔记(一)
因果推理(Causal Inference):Inferring the enfects of any treatment/policy/intervention/etc.因果推理就是推断一个事物对另一个事物的影响。1. 辛普森悖论说(Simpson’s paradox)当人们尝试探究两种变量是否具有相关性的时候,会分别对之进行分组研究。然而,在分组比较中都占优势的一方,在总评中有时反而是失势的一方。以下是一个辛普森悖论的例子。存在一种疾病,患病人的状况分两种,该病的治疗方式有两种,治疗结果有两种原创 2020-12-03 11:22:11 · 2869 阅读 · 5 评论