PulseAugur
中
实时 17:04:07
English(EN) Causal Inference for Sequential Settings under Interference and Latent Confounding

序列设置中具有干扰的新因果推断方法

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种用于处理干扰和潜在混淆的序列设置因果推断的新方法。该方法利用伊辛模型来捕捉单元结果随时间变化的依赖关系，并纳入了处理效应和潜在混淆因素。提出了一种计算效率高的最大伪似然估计（MPLE）方法用于参数学习，并具有非渐近一致性的理论保证。通过合成实验和关于美国县市 COVID-19 疫苗接种率和死亡率的真实案例研究，证明了该方法的有效性。 AI

影响 这项研究可以提高复杂现实场景中因果效应估计的准确性，可能对公共卫生和政策制定等领域产生影响。

排序理由 该集群包含一篇在 arXiv 上发表的学术论文，详细介绍了一种新的研究方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

序列设置中具有干扰的新因果推断方法

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Phevos Paschalidis, Constantinos Daskalakis, Devavrat Shah ·

    干扰和潜在混淆下序列设置的因果推断

    arXiv:2607.14940v1 Announce Type: new Abstract: We study causal inference under outcome interference for sequential, observational settings. Specifically, we consider settings where the binary outcomes over N units are Markovian across T time steps. At each time step, the outcome…

  2. arXiv cs.LG TIER_1 English(EN) · Devavrat Shah ·

    干扰和潜在混淆下序列设置的因果推断

    We study causal inference under outcome interference for sequential, observational settings. Specifically, we consider settings where the binary outcomes over N units are Markovian across T time steps. At each time step, the outcomes of N units have dependencies captured through …

相关实体

相关话题