proximal causal learning

新框架通过可靠的不确定性量化增强因果推断

研究人员开发了一个名为Deconditional Gaussian Process (DGP)的新框架，以改进因果推断方法，特别是工具变量（IV）和近因学习（Proxy）。该框架通过提供可靠的认知不确定性量化，解决了现有方法的局限性。DGP框架集成了流行的核估计器，并通过后验方差提供原则性、校准良好的不确定性，从而能够通过边际对数似然优化进行系统性的模型选择。实证结果显示了强大的预测性能和信息丰富的不确定性量化。