Grafos Cíclicos Dirigidos para el Descubrimiento Simultáneo de Causalidad Retrasada en el Tiempo e Instantánea a...

Área de la Ciencia:

• Inferencia Causal
• Aprendizaje Estadístico
• Bioestadística

Sus antecedentes:

• Los datos observacionales longitudinales presentan desafíos para el descubrimiento causal debido a dependencias temporales complejas.
• Los métodos existentes a menudo luchan por identificar simultáneamente estructuras causales cíclicas instantáneas y retrasadas en el tiempo.

Objetivo del estudio:

• Desarrollar un marco novedoso de descubrimiento causal para datos longitudinales.
• Lograr la identificabilidad única de grafos dirigidos con patrones cíclicos generales.
• Descubrir simultáneamente causalidad instantánea y retrasada en el tiempo.

Principales métodos:

• Un marco novedoso que integra información instrumental de datos longitudinales.
• Desarrollo de una teoría de identificación causal para grafos acíclicos dirigidos (DAG) con patrones cíclicos generales.
• Enfoque de aprendizaje estructural totalmente bayesiano.

Principales resultados:

• El modelo propuesto demuestra una identificabilidad general bajo supuestos comunes de descubrimiento causal.
• Se logró una identificabilidad causal única para grafos dirigidos con patrones cíclicos generales, una contribución teórica novedosa.
• Superó a los métodos de última generación en simulaciones extensas y en una aplicación del mundo real.

Conclusiones:

• El marco desarrollado proporciona un método robusto para el descubrimiento causal a partir de datos longitudinales.
• El modelo identifica con éxito estructuras causales complejas, incluidas dependencias cíclicas.
• El enfoque ofrece una utilidad e identificabilidad superiores en comparación con las técnicas de descubrimiento causal existentes.