Publication

Causal Effect Identification in a Sub-population with Latent Variables

2024

Résumé

The S-ID problem seeks to compute a causal effect in a specific sub-population from the observational data pertaining to the same sub-population [AMK24]. This problem has been addressed when all the variables in the system are observable. In this paper, we consider an extension of the S-ID problem that allows for the presence of latent variables. To tackle the challenges induced by the presence of latent variables in a sub-population, we first extend the classical relevant graphical definitions, such as C-components and Hedges, initially defined for the so-called ID problem [Pea95, TP02], to their new counterparts. Subsequently, we propose a sound algorithm for the S-ID problem with latent variables.

Source officielle

https://infoscience.epfl.ch/entities/publication/8c46130d-e466-4973-8778-1d86e844ca41

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2024

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/8c46130d-e466-4973-8778-1d86e844ca41

À propos de ce résultat

Concepts associés (29)

Inférence causale

L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. En 1920, Sewall Wright développe la première path analysis. Cette analyse graphique des relations de causalité entre les variables constitue selon Judea Pearl un travail pionnier dans l'inférence causale.

Démécologie

thumb|350px|Groupes familiaux d'éléphants, au sein d'une population régionale thumb|350px|Un groupe de « populations » constitue une métapopulation. Les populations d'animaux, plantes, champignons, microbes... contribuent au fonctionnement des écosystèmes, qui eux-mêmes forment des biomes et la biosphère ou symbiosphère (expression de Joël de Rosnay est le niveau planétaire d'intégration de toutes les échelles du Vivant (du gène à la somme des biomes (sans laquelle l'oxygène et donc la couche d'ozone n'existeraient pas) ; Le gène est représenté à part, car non vivant en tant que tel, mais support d'information et base du vivant.

Causal model

In the philosophy of science, a causal model (or structural causal model) is a conceptual model that describes the causal mechanisms of a system. Several types of causal notation may be used in the development of a causal model. Causal models can improve study designs by providing clear rules for deciding which independent variables need to be included/controlled for. They can allow some questions to be answered from existing observational data without the need for an interventional study such as a randomized controlled trial.

Afficher plus

Publications associées (11)

Afficher plus

Causal Effect Identification in a Sub-population with Latent Variables

Chattez avec Graph Search

Nonparametric tests of treatment effect homogeneity for policy-makers

Towards dynamic heat exposure assessments using open data and agent-based modelling: the case of Lausanne and Geneva, Switzerland

A multi-class framework for a pedestrian cell transmission model accounting for population heterogeneity