Counterfactual analyses with graphical models based on local independence
基于局部独立图模型的反事实分析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。
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：摘要明确讨论连续时间因果推断、反事实分布、参数识别与加权估计。
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…
关注这篇论文的作者
基于局部独立图模型的反事实分析
- 研究问题
- 研究如何在连续时间随机过程框架中识别并估计反事实参数，以及能否以随机分析条件为逆概率加权的正值性要求提供替代路径。
- 方法与思路
- 作者用鞅问题刻画反事实分布，以随机微分方程给出事实与反事实分布的似然比，再结合局部独立图和似然比加权进行推断。
- 材料陈述的贡献
- 摘要称，可通过比较事实与反事实的短期预测判断相关一致可积性质，并用一个例子说明局部独立图可支持反事实参数识别与一致估计。
- 阅读关注点
- 应核对干预与过程自主性的定义、似然比成立条件、一致可积性的判据，以及图信息如何在所给例子中转化为识别和估计步骤。
- 阅读边界
- 仅据版本未注明的索引摘要；不能将正值性替代条件理解为无条件免除重叠要求，也不能把示例中的识别结论推广到任意图。
原文摘要
We show that one can perform causal inference in a natural way for continuous-time scenarios using tools from stochastic analysis. This provides new alternatives to the positivity condition for inverse probability weighting. The probability distribution that would govern the frequency of observations in the counterfactual scenario can be characterized in terms of a so-called martingale problem. The counterfactual and factual probability distributions may be related through a likelihood ratio given by a stochastic differential equation. We can perform inference for counterfactual scenarios based on the original observations, re-weighted according to this likelihood ratio. This is possible if the solution of the stochastic differential equation is uniformly integrable, a property that can be determined by comparing the corresponding factual and counterfactual short-term predictions. Local independence graphs are directed, possibly cyclic, graphs that represent short-term prediction among sufficiently autonomous stochastic processes. We show through an example that these graphs can be used to identify and provide consistent estimators for counterfactual parameters in continuous time. This is analogous to how Judea Pearl uses graphical information to identify causal effects in finite state Bayesian networks.