Computational conditional independence testing for causal inference : methods and applications in agricultural and food production systems

Summary

Moderne maskinlæringsmetoder utmerker seg på prediksjon, men tilbyr begrenset veiledning for å svare på kausale spørsmål. Strukturelle kausale modeller (SCM-er) gir et prinsipielt rammeverk for kausal resonnement ved å skille teoretiske antagelser fra statistisk estimering og ved å kode kausal struktur gjennom rettede asykliske grafer (DAG-er). Et sentralt trekk ved SCM-er er at de impliserer betingede uavhengighetsutsagn som i prinsippet kan testes i observerte data. Imidlertid er pålitelig testing av betinget uavhengighet statistisk utfordrende, spesielt i settinger som involverer ikke-lineære forhold, blandede datatyper eller høydimensjonale betingingssett. Denne avhandlingen utvikler en beregningsmessig tilnærming til betinget uavhengighetstesting, kalt Computational Conditional Independence (CCI)-testen. CCI omformulerer betinget uavhengighet som et prediktivt sammenligningsproblem: under nullhypotesen Y ⊥⊥ X | Z bør inkludering av X ikke forbedre utenfor-utvalgsprediksjonen av Y når Z er tatt hensyn til. Metoden kombinerer maskin læringsestimatorer med Monte Carlo-kryssvalidering. Selv om permutasjon brukes i testalgoritmen, er prosedyren utformet for å ta hensyn til brudd på utskiftbarhet, nemlig at permutasjon av X bryter både Y,Y-bindingen og Y,Z-bindingen. Ved å stole på prediktiv ytelse snarere enn restriktive parametriske antagelser, imøtekommer CCI-testen kontinuerlige, kategoriske og blandede datatyper innenfor et enhetlig rammeverk. I tillegg til det metodologiske bidraget presenterer avhandlingen en åpen kildekode-R-pakke som implementerer CCI testen, som gir et fleksibelt grensesnitt for anvendte forskere og muliggjør utvidelser av rammeverket. Den praktiske relevansen av tilnærmingen demonstreres i en empirisk studie av broilerproduksjonsdata, hvor en SCM, betinget uavhengighetstesting og maskinlæringsbaserte estimatorer er integrert i en transparent kausal arbeidsflyt. Applikasjonen inkluderer estimering av heterogene behandlingseffekter ved hjelp av en kvantilbasert utvidelse av en T-lærer, som illustrerer hvordan prediktive verktøy kan tjene som komponenter innen kausal estimering.

Read publication here:

NVA : hdl.handle.net/11250/5519151