Time Series Causal Link Estimation under Hidden Confounding using Knockoff Interventions
利用 Knockoff 干预估计隐藏混杂下的时间序列因果联系AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究观测时间序列中隐藏混杂下的因果联系，并使用序贯模型和反事实构造，对应因果推断与时间序列。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用 Knockoff 干预估计隐藏混杂下的时间序列因果联系
- 研究问题
- 隐藏混杂会使观测时间序列出现虚假联系，能否结合潜变量模型与 Knockoff 干预，提高因果联系估计的可靠性？
- 方法与思路
- 作者结合序贯因果效应变分自编码器与 Knockoff 变量构造反事实，在线性及非线性模拟和气溶胶—云—气候数据上评价。
- 材料陈述的贡献
- 摘要称，方法在所用合成数据中优于比较基准；真实数据分析结合专家知识，并展示适当代理变量对隐藏混杂处理的帮助。
- 阅读关注点
- 应核对隐藏混杂的识别条件、Knockoff 联合分布的构造、代理变量要求，以及模拟真值和真实数据专家判断的评价差别。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明完整识别条件，分布保持本身不足以保证反事实的因果有效性。
原文摘要
Latent variables often mask cause-effect relationships in observational data which provokes spurious links that may be misinterpreted as causal. This problem sparks great interest in the fields such as climate science and economics. We propose to estimate confounded causal links of time series using Sequential Causal Effect Variational Autoencoder (SCEVAE) while applying Knockoff interventions. Knockoff variables have the same distribution as the originals and preserve the correlation to other variables. This allows for counterfactuals that are more faithful to the observational distribution. We show the advantage of Knockoff interventions by applying SCEVAE to synthetic datasets with both linear and nonlinear causal links. Moreover, we apply SCEVAE with Knockoffs to real aerosol-cloud-climate observational time series data. We compare our results on synthetic data to those of a time series deconfounding method both with and without estimated confounders. We show that our method outperforms this benchmark by comparing both methods to the ground truth. For the real data analysis, we rely on expert knowledge of causal links and demonstrate how using suitable proxy variables improves the causal link estimation in the presence of hidden confounders.