- 博客(6)
- 收藏
- 关注
RSS订阅原创 因果推断的software汇总
因果推断的software汇总methods and tools for causal discovery and causal inference 中提到的可用于推断时间序列中因果发现的R包：NlinTS：时间序列中的非线性因果关系检测模型。非线性时间序列分析和因果关系检测模型。Tigramite（Runge，2004–2021）是一个Python框架，用于时间序列数据中的因果发现。使用混合DAG从纵向数据中改进因果关系发现：DoWhy（Sharma等人，2019）是最完整的工具之一。
2023-08-15 12:05:57
570
原创 动态路径模型分析
路径内的关系估计通常用递归最小二乘法实现（注意：这不是动态规划的路径优化问题，是对于节点之间做相互回归以寻找影响关系），本文中首先对y的增量估计用线性加性模型估计。一串图对应一段时间内的协变量和 effect 变量的路径图。边的选择和确定👉实质上是因果关系中被估系数是否显著的问题👉使用bootstrap区间估计进行选择👉确定边之间的关系。（直接：A导致B的路径中没有中间变量，间接：有中间变量）函数利用一般最小二乘法估计，可以是利用线性回归的方法估计两子节点变量（又称协变量、特征）的相互关系。
2023-08-15 11:58:42
143
原创 因果发现与推理：概念与方法学进展
下图详解：case2和case3分别展示的是特征变量（一维）和误差项都服从均匀分布和超高斯分布的情况，前两列展示的是x造成y的因果关系，误差项和x是独立分布的，但是最后两列展示的是反向后的独立性关系，此时参差和y不独立。对于协方差矩阵的不同的子矩阵添加秩约束而不是制定具体的参数值时，可以识别含有混杂因素的模型。估计性质（高斯误差项vs非高斯误差项）：由于误差项非高斯，通过var模型最小化误差熵可以得到均方误差意义上的最小误差，但在非高斯分布的误差项中，尽管该模型得到的估计是一致的，但并不是有效的。
2023-08-15 11:50:22
379
原创 基于树模型的uplift model论文直翻
本文试图记录“提升建模”的现状，即对特定处理（如营销干预）直接导致的行为变化进行建模的实践。我们包括了基于显著性的抬升树的详细信息，这些树构成了目前唯一可用的打包抬升建模软件的核心。本文总结了在实践中使用提升模型得出的一些结果，并举例说明了需求刺激和客户保留应用。它还调查和讨论了隆起建模变量选择、模型构建、质量措施和隆起后评估所涉及的每个主要阶段的方法，所有这些都需要与传统响应建模不同的方法。1组织 我们首先在第2节中激励和定义隆起建模，然后回顾隆起建模的历史和文献
2023-04-01 19:58:13
688
原创 时间序列中的因果推断
记录了一些时间序列中的因果推断关系，理论性偏重，核心在于一些证明上的论证，应用型偏弱，若是工业界直接应用不建议精读，可做泛读加深理解。
2023-03-25 14:36:54
2072
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人