The identifiability problem in missing data recovery and causal effect estimation
Вантажиться...
Файли
Дата
Автори
Назва журналу
Номер ISSN
Назва тому
DOI
Анотація
This paper investigates the influence of causal model identifiability on missing data recovery and causal effect estimation. A series of computational experiments using classical imputation methods and structural causal models was conducted. Both identifiable and non-identifiable settings were analyzed within the framework of causal inference theory.
У роботі досліджено вплив ідентифікованості причинної моделі на результати відновлення пропущених даних та оцінювання причинних ефектів. Проведено серію обчислювальних експериментів із використанням класичних методів імпутації та структурних причинних моделей. Розглянуто як ідентифіковані, так і неідентифіковані постановки задач у сенсі теорії причинного виведення . Отримані результати узгоджуються з теоретичними положеннями причинного аналізу та показують, що за відсутності ідентифікованості однакові спостережувані дані можуть відповідати різним повним моделям, що призводить до неоднозначності під час відновлення пропущених значень та інтерпретації причинних зв'язків.
У роботі досліджено вплив ідентифікованості причинної моделі на результати відновлення пропущених даних та оцінювання причинних ефектів. Проведено серію обчислювальних експериментів із використанням класичних методів імпутації та структурних причинних моделей. Розглянуто як ідентифіковані, так і неідентифіковані постановки задач у сенсі теорії причинного виведення . Отримані результати узгоджуються з теоретичними положеннями причинного аналізу та показують, що за відсутності ідентифікованості однакові спостережувані дані можуть відповідати різним повним моделям, що призводить до неоднозначності під час відновлення пропущених значень та інтерпретації причинних зв'язків.
Опис
Ключові слова
УДК
Тип документа
Мова
ISSN
Бібліографічний опис
Беспала О. The identifiability problem in missing data recovery and causal effect estimation // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30171.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (10)
- Rubin D. B. Inference and missing data // Biometrika. – 1976. – Vol. 63, no. 3. – P. 581–592.
- Little R. J. A., Rubin D. B. Statistical analysis with missing data. – Hoboken : Wiley, 2019. – 450 p.
- Pearl J. Causality: Models, reasoning, and inference. – 2nd ed. – Cambridge : Cambridge University Press, 2009. – 480 p.
- Pearl J., Glymour M., Jewell N. P. Causal inference in statistics: A primer. – Hoboken : Wiley, 2016. – 150 p.
- Hernn M. A., Robins J. M. Causal inference: What if. – Boca Raton : Chapman & Hall/CRC, 2020. – 624 p.
- Shpitser I., Pearl J. Identification of conditional interventional distributions // Proceedings of the 22nd Conference on Uncertainty in Artificial Intelligence (UAI). – Arlington : AUAI Press, 2006. – P. 437–444.
- Spirtes P., Glymour C., Scheines R. Causation, prediction, and search. – 2nd ed. – Cambridge (MA) : MIT Press, 2000. – 543 p.
- Mohan K., Pearl J., Tian J. Graphical models for inference with missing data // Proceedings of the 29th Conference on Uncertainty in Artificial Intelligence (UAI). – 2013. – P. 1–10.
- Ding P., Li F. Causal inference: A missing data perspective // Statistical Science. – 2018. – Vol. 33, no. 2. – P. 214–237.
- Tian J., Pearl J. A general identification condition for causal effects // Proceedings of the National Conference on Artificial Intelligence (AAAI). – 2002. – P. 567–573.