.png){kind=icon}
返回
CONFOUNDER SELECTION VIA ITERATIVE GRAPH EXPANSION
.png){kind=icon}
PRE
AI
DOI：10.1214/25-AOS2577.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混淆变量选择，即选择一组协变量以控制处理与结果之间的混淆，可以说是观察性研究设计中最重要的步骤。以往的方法，如Pearl的后门准则，通常需要预先指定因果图，这在实践中往往较为困难。我们提出了一种交互式的混淆变量选择程序，无需预先指定图或观测变量集。该程序通过寻找我们称为“主要调整集”的变量对来迭代扩展因果图。这可以看作是对底层因果图的一系列边缘化的逆运算。主要调整集这种结构信息会逐步从用户处获取，直到找到控制混淆的一组协变量，或确定不存在这样的集合为止。该程序不需要其他信息，如混淆变量间的因果关系。我们证明，如果用户在每个步骤中正确指定主要调整集，我们的程序既有效又完备。
Keyword:
Causal inference
observational study
back-door criterion
background knowledge
adjustment
marginalization
期刊
IF:
3.7
论文数:
2.8K
被引数:
2.9W
机构
引用论文
[Bayesian Analysis in Expert Systems]: Comment: Graphical Models, Causality and Intervention[专家系统中的贝叶斯分析]: 评论: 图形模型，因果关系和干预
OAAI
OAAI分享收藏
Discussion of “Data-driven Confounder Selection via Markov and Bayesian Networks” By Häggström.png)
BiometricsOAAI
BiometricsIF0
OAAI分享收藏分享收藏
查看更多内容