Causal effect sizes may vary among individuals and they can even be of opposite directions. When there exists serious effect heterogeneity, the population average causal effect (ACE) is not very informative. It is well-known that individual causal effects (ICEs) cannot be determined in cross-sectional studies, but we will show that ICEs can be retrieved from longitudinal data under certain conditions. We will present a general framework for individual causality where we will view effect heterogeneity as an individual-specific effect modification that can be parameterized with a latent variable, the receptiveness factor. The distribution of the receptiveness factor can be retrieved, and it will enable us to study the contrast of the potential outcomes of an individual under stationarity assumptions. Within the framework, we will study the joint distribution of the individual's potential outcomes conditioned on all individual's factual data and subsequently the distribution of the cross-world causal effect (CWCE). We discuss conditions such that the latter converges to a degenerated distribution, in which case the ICE can be estimated consistently. To demonstrate the use of this general framework, we present examples in which the outcome process can be parameterized as a (generalized) linear mixed model.


翻译:当存在严重的影响异质性时,人口平均因果关系(ACE)的分布情况并不十分丰富。众所周知,单项因果关系(ICES)无法在跨部门研究中确定,但我们将表明,在某些条件下,可以从纵向数据中检索ICE。我们将提出个人因果关系的一般框架,在这个框架内,我们将研究个人潜在结果的联合分布情况,其条件取决于所有个人的事实数据,随后的跨世界因果关系的分布。我们将讨论以下条件,即后者与退化分布相融合,可以与潜在变量即接受性系数相参照。可检索接受性系数的分布,它将使我们能够研究个人在定置性假设下的潜在结果的对比。我们将在框架内研究个人潜在结果的联合分布情况,以所有个人的事实数据为条件,然后研究跨世界因果关系的分布。我们将讨论后者与退化分布相融合的条件,在这种条件下,ICE的分布可以与潜在变量(接受性系数)相匹配。为了显示这一总框架的使用情况,我们提出了可以将结果过程作为线性参数混合的参数。

0
下载
关闭预览

相关内容

因果推断,Causal Inference:The Mixtape
专知会员服务
103+阅读 · 2021年8月27日
【硬核书】图论、组合优化和算法手册,1217页pdf
专知会员服务
158+阅读 · 2021年6月29日
5G网络安全标准化白皮书, 53页pdf
专知会员服务
64+阅读 · 2021年5月15日
《行为与认知机器人学》,241页pdf
专知会员服务
53+阅读 · 2021年4月11日
专知会员服务
163+阅读 · 2020年7月27日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月27日
Arxiv
0+阅读 · 2021年10月24日
Arxiv
5+阅读 · 2020年12月10日
VIP会员
相关VIP内容
因果推断,Causal Inference:The Mixtape
专知会员服务
103+阅读 · 2021年8月27日
【硬核书】图论、组合优化和算法手册,1217页pdf
专知会员服务
158+阅读 · 2021年6月29日
5G网络安全标准化白皮书, 53页pdf
专知会员服务
64+阅读 · 2021年5月15日
《行为与认知机器人学》,241页pdf
专知会员服务
53+阅读 · 2021年4月11日
专知会员服务
163+阅读 · 2020年7月27日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员