深度分析
DCNAR:以結構學習作為先驗的時變網路自迴歸動態因果推論
研究警示多數時變因果模型假定已知因果網路,實務罕見。本文提出DCNAR:以神經自迴歸發現稀疏有向結構,將其作為時變網路自迴歸的結構先驗。實驗顯示在未知結構下,DCNAR能產生穩定且可解釋的脈衝反應與反事實軌跡,並在短序列面板資料展示一致行為,對社會科學與政策模擬具實務價值。
深度分析
研究警示多數時變因果模型假定已知因果網路,實務罕見。本文提出DCNAR:以神經自迴歸發現稀疏有向結構,將其作為時變網路自迴歸的結構先驗。實驗顯示在未知結構下,DCNAR能產生穩定且可解釋的脈衝反應與反事實軌跡,並在短序列面板資料展示一致行為,對社會科學與政策模擬具實務價值。
深度分析
因果發現常受潛在變數與高維度資料限制,局部方法雖快卻缺乏宏觀視角,群集層級方法則多依賴事先分群或因果充分性假設。L2C(Local to Cluster Causal Abstraction)提出自動從微觀因果模式發現群集、以群集約化進行宏觀因果推論的統一流程。
深度分析
面對非線性時間序列中神經自回歸模型輸出的解釋困難,本文提出以「預測必要性」取代係數大小來評估因果關係。方法透過系統性刪邊與前視比較,檢驗移除關係是否導致外樣本預測劣化。實證於民主發展面板資料顯示,分數高低與預測必要性可大幅不同,影響因果判讀。