.png){kind=icon}
返回
Deep Learning With DAGs
.png){kind=icon}
PRE
AI
DOI：10.1177/00491241251319291.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
社会科学理论通常假设变量间的因果关系的系统，这些关系通常使用有向无环图（DAGs）来表示。作为非参数因果模型，DAGs不需要对假设关系的函数形式做出任何假设。然而，为了简化经验评估，研究人员通常还是会引入此类假设，尽管这些假设往往是任意的，并且不反映任何理论内容或先验知识。此外，函数形式假设可能会产生偏差，每当它们未能准确捕捉系统的真实复杂性时。在本文中，我们介绍了因果图归一化流（cGNFs），这是一种利用深度神经网络对表示为DAG的理论进行经验评估的因果推断新方法。与常规方法不同，cGNFs使用分析人员指定的DAG来模拟数据的完整联合分布，而无需依赖关于函数形式的严格假设。这使得可以灵活地进行非参数估计，以估计从DAG中识别出的任何因果量，包括总效应、直接和间接效应以及路径特定效应。我们通过重新分析Blau和Duncan（1967）的地位获得模型以及Zhou（2019）的控制流动模型来说明该方法。本文最后讨论了当前的限制和未来发展的方向。
Keyword:
causal inference
directed acyclic graphs
normalizing flows
structural equation models
social mobility
期刊
S
IF:
6.5
论文数:
1.2K
被引数:
8.6K
机构
引用论文
The Causal Implications of Mechanistic Thinking: Identification Using Directed Acyclic Graphs (DAGs)
PREAI
分享收藏Measurement Error Models: From Nonparametric Methods to Deep Neural Networks测量误差模型: 从非参数方法到深度神经网络.png)
STATISTICAL SCIENCE
OAAI
STATISTICAL SCIENCEIF3.4
OAAI分享收藏分享收藏
查看更多内容