论文:Learning Decomposed Representations for Treatment Effect Estimation地址:kunkuang.github.io/pape 一、因果推断中的特征分解 我们可以把特征分为4个类 X=(I,C,A,E) I 只影响T,也可称为工具变量(Instrumental Variable) A 只影响结果Y,称为调整变量(Adjustment Variable) C 影响T又影响Y,即我们所说的...
在观测研究中,本文将观测到的干预前变量X,干预T和结果Y表示为下图的因果框架。干预前变量X可以在未知的联合分布下Pr(X)=Pr(I,C,A)分离为三类{I,C,A},其中工具变量I只影响干预,混淆因子C是干预和结果的共因,调节因子A只影响结果。 后门准则描述控制混淆因子可以消除混淆偏差,但控制工具变量则会增加混淆偏差,...