elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Necessary and sufficient graphical conditions for optimal adjustment sets in causal graphical models with hidden variables

Runge, Jakob (2021) Necessary and sufficient graphical conditions for optimal adjustment sets in causal graphical models with hidden variables. In: 35th Conference on Neural Information Processing Systems, NeurIPS 2021. Curran Associates, Inc.. Thirty-fifth Conference on Neural Information Processing Systems (NeurIPS 2021), 2021-12-06 - 2021-12-14, Virtuell. ISBN 978-171384539-3. ISSN 1049-5258.

[img] PDF
830kB

Offizielle URL: https://proceedings.neurips.cc/paper/2021/file/8485ae387a981d783f8764e508151cd9-Paper.pdf

Kurzfassung

The problem of selecting optimal backdoor adjustment sets to estimate causal effects in graphical models with hidden and conditioned variables is addressed. Previous work has defined optimality as achieving the smallest asymptotic estimation variance and derived an optimal set for the case without hidden variables. For the case with hidden variables there can be settings where no optimal set exists and currently only a sufficient graphical optimality criterion of limited applicability has been derived. In the present work optimality is characterized as maximizing a certain adjustment information which allows to derive a necessary and sufficient graphical criterion for the existence of an optimal adjustment set and a definition and algorithm to construct it. Further, the optimal set is valid if and only if a valid adjustment set exists and has higher (or equal) adjustment information than the Adjust-set proposed in Perkovi{\'c} et~al. [Journal of Machine Learning Research, 18: 1--62, 2018] for any graph. The results translate to minimal asymptotic estimation variance for a class of estimators whose asymptotic variance follows a certain information-theoretic relation. Numerical experiments indicate that the asymptotic results also hold for relatively small sample sizes and that the optimal adjustment set or minimized variants thereof often yield better variance also beyond that estimator class. Surprisingly, among the randomly created setups more than 90\% fulfill the optimality conditions indicating that also in many real-world scenarios graphical optimality may hold.

elib-URL des Eintrags:https://elib.dlr.de/186444/
Dokumentart:Konferenzbeitrag (Vortrag, Poster)
Titel:Necessary and sufficient graphical conditions for optimal adjustment sets in causal graphical models with hidden variables
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Runge, JakobJakob.Runge (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Dezember 2021
Erschienen in:35th Conference on Neural Information Processing Systems, NeurIPS 2021
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
Ranzato, M.NICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Beygelzimer, A.NICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Dauphin, Y.NICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Liang, P. S.NICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Wortman Vaughan, J.NICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Verlag:Curran Associates, Inc.
ISSN:1049-5258
ISBN:978-171384539-3
Status:veröffentlicht
Stichwörter:Causal inference, Graphical models, Information theory
Veranstaltungstitel:Thirty-fifth Conference on Neural Information Processing Systems (NeurIPS 2021)
Veranstaltungsort:Virtuell
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:6 Dezember 2021
Veranstaltungsende:14 Dezember 2021
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:keine Zuordnung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R - keine Zuordnung
DLR - Teilgebiet (Projekt, Vorhaben):R - keine Zuordnung
Standort: Jena
Institute & Einrichtungen:Institut für Datenwissenschaften > Datenanalyse und -intelligenz
Hinterlegt von: Gerhardus, Andreas
Hinterlegt am:05 Dez 2022 10:48
Letzte Änderung:24 Apr 2024 20:47

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.