《含有隱變數的因果結構學習與統計因果推斷》是依託長春工業大學，由單娜擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：含有隱變數的因果結構學習與統計因果推斷
- 項目類別：青年科學基金項目
- 項目負責人：單娜
- 依託單位：長春工業大學
項目摘要,結題摘要,
項目摘要
探索複雜事物之間的因果關係是哲學、自然科學和社會科學等幾乎所有科學研究的一個重要內容。為了便於解釋複雜事物間的因果關係並進行有效的統計分析，研究者們引入隱變數。由於隱變數不能被觀測，它給人們帶來便利的同時也帶來很多困難。含有隱變數的因果結構學習與因果推斷是許多領域中的一個研究熱點和難點。本項目從兩個不同角度給出含有隱變數的因果結構學習方法。方法一採用分解和局部學習的思想，將含隱變數因果網的結構學習問題分解為一些子問題，並整合局部學習結構得到全局因果結構，降低問題的難度同時提高算法的效率。方法二針對半馬爾可夫因果模型結構學習的問題，給出邊定向的干預試驗的最優設計方法，並進一步探測未發現的雙向邊，得到一個正確而有效的學習方法。在因果結構未知時，本項目研究由觀測數據估計干預效應的方法，提出混雜子的新定義，給出其判定條件和探測方法。我們的成果將推動因果研究理論的進一步發展，並為指導實踐提供依據。
結題摘要
該項目研究了含有隱變數的因果結構學習和因果結構未知時的統計因果推斷方法。對於結構學習問題，我們分別研究了高斯圖模型和層次模型的結構學習方法，給出將全局問題分解為局部問題的計算方法，研究了所提出方法的性質，發現我們的方法降低了問題的複雜度，提高了計算的速度，在生物基因等數據的分析中具有良好的表現。對於樸素貝葉斯分類器的特徵篩選問題，我們給出一種L0正則化的估計方法，並研究了估計的漸近統計性質，驗證了我們方法在實際數據中具有良好的表現。對於因果結構未知時的統計因果推斷方法，我們研究了帶有追蹤的隨機化實驗中數據被死亡截斷的情形，我們套用Balke-Pearl線性規划算法得到倖存平均因果效應(SACE)的一種簡單的邊界表達式；對於帶有不依從的隨機化實驗，基於對VanderWeele(2008)和Chiba(2009)方法的研究，我們提出套用可觀測的協變數信息來給出平均因果效應的一個新的可達邊界，並比較了三種邊界在不同條件下的表現，為實際領域的工作者進行有效的平均因果效應分析提供了參考。
