使用分位数区分因果与效应：双变量分位数因果发现
摘要：使用观测数据进行因果推断是具有挑战性的，特别是在双变量情况下。通过最小描述长度原则，我们将在不考虑混淆、选择偏差或反馈的情况下，将因果生成机制和给定因果的效应之间的独立假设与分位数回归联系起来。基于这个理论，我们开发了一种新方法，称为双变量分位数因果发现（bQCD），用于区分因果关系。由于bQCD不仅使用条件均值，还使用多个分位数水平，因此它适应性较强，不仅适用于加法生成机制，还适用于乘法或位置-尺度生成机制。为了说明我们方法的有效性，我们在合成和真实数据集上进行了广泛的实证比较。研究结果表明，bQCD在方法实现（即分位数回归）的不同情况下具有鲁棒性，计算效率高，并且与最先进的方法相比效果良好。
作者：Natasa Tagasovska, Val''erie Chavez-Demoulin, Thibault Vatter
论文ID：1801.10579
分类：Machine Learning
分类简称：stat.ML
提交时间：2020-08-17