Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2368| Estimating Causal Effects Considering Unmeasured Common Causes | |
| Sebastián Bejos | |
| Luis Enrique Sucar Succar Eduardo F. Morales | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Causal Inference Probabilistic Graphical Models Latent Variables Models Linear Gaussian Bayesian Networks Estimating Causal Effects | |
| Causal Bayesian networks (CBNs) are now widely used as causal models and they are the starting point for much of the research on automated causal discovery and causal inference in the artificial intelligence literature. The causal effect between a pair of variables (X; Y), that belongs to a set of variables of a joint distribution, it is a measure of how much the variable Y is modified when manipulating the variable X. The causal effect can be estimated from the post-intervention distribution over a CBN when the causal structure that generated the data is known a priori. Nevertheless, given only observational data, constraint-based causal discovery methods are solely able to find a finite collection of possible causal structures, i.e., a Markov Equivalence Class (MEC), but they can not identify the causal structure that best represents the data inside the MEC. In this dissertation, we propose the LV-IDA+ algorithm to estimate bounds on causal effects, between pairs of variables (X; Y) in a system, considering unmeasured common direct causes. This algorithm is based on the IDA ([MKB09]) and the LV-IDA ([MS17]) algorithms. As in IDA and LV-IDA, we consider the case where we only know the MEC of the causal structure and the system V = {X₁,…., Xp} is jointly Gaussian, and as in LV-IDA, we use Maximal Ancestral Graphs (MAGs) and Partial Ancestral Graphs (PAGs), to represent the causal structure and the MEC of the system, respectively. The LV-IDA algorithm cannot always identify the causal effect for some pairs of variables and then returns missing values as output. This is due to the fact that in special instances there is no adjustment set for some pairs of variables, in some, and occasionally all MAGs in the PAG. Our main contribution proposes a way to approximate the causal effect when these undetermined cases arise on the LV-IDA algorithm. The LV-IDA+ algorithm uses the covariate adjustment method over the canonical Directed Acyclic Graphs (DAGs) associated with the MAGs in the PAG to approximate the causal effects in these unresolved cases. Las Redes Bayesianas Causales (CBN) ahora se utilizan ampliamente como modelos causales y son el punto de partida para gran parte de la investigación sobre el descubrimiento causal automatizado y la inferencia causal en la literatura sobre inteligencia artificial. El efecto causal entre un par de variables (X, Y), que pertenece a un conjunto de variables en una distribución conjunta, es una medida de cuánto se modifica la variable Y al manipular la variable X. El efecto causal se puede estimar a partir de la distribución posterior a la intervención sobre una CBN cuando se conoce a priori la estructura causal que generó los datos. Sin embargo, dados solo datos observacionales, los métodos de descubrimiento causal basados en restricciones solo pueden encontrar una colección finita de posibles estructuras causales, i.e., una Clase de Equivalencia de Markov (MEC), pero no pueden identificar la estructura causal que mejor representa los datos dentro de esta MEC. En esta disertación, proponemos el algoritmo LV-IDA+ para estimar cotas de los efectos causales, entre todos los pares de variables (X, Y) en un sistema, considerando causas directas comunes no medidas. Este algoritmo se basa en los algoritmos IDA ([MKB09]) y LV-IDA ([MS17]). Como en IDA y LV-IDA, consideramos el caso en el que conocemos únicamente la MEC de la estructura causal y el sistema V = {X₁,…., Xp} es conjuntamente Gaussiano y como en LV-IDA, usamos Grafos Ancestrales Maximales (MAGs) y Grafos Ancestrales Parciales (PAGs), para representar la estructura causal y el MEC del sistema, respectivamente. El algoritmo LV-IDA no siempre puede identificar el efecto causal para algunos pares de variables y devuelve valores faltantes como salida. Esto se debe al hecho de que, en casos especiales, no hay un conjunto de ajustes para algunos pares de variables, en algunos y ocasionalmente todos los MAG en el PAG. Nuestra principal contribución propone una forma de aproximar el efecto causal cuando estos casos indeterminados surgen en el algoritmo LV-IDA. El algoritmo LV-IDA+ utiliza el método de ajuste por covariantes sobre los Grafos Dirigidos Acíclicos (DAG) canónicos asociados con los MAG en el PAG para aproximar los efectos causales en estos casos no resueltos. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2020-08 | |
| Tesis de maestría | |
| Inglés | |
| Estudiantes Investigadores Público en general | |
| Bejos Mendoza, José Sebastián, (2020), Estimating Causal Effects Considering Unmeasured Common Causes, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica. | |
| INTELIGENCIA ARTIFICIAL | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias Computacionales |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| BejosMJS-2020.pdf | 495.92 kB | Adobe PDF | Visualizar/Abrir |