对称性启发的因果部分识别

arXiv:2610.09230v1 公告类型：新 摘要：部分识别（PI）通过将关于数据生成过程的不同假设编码为一个约束优化问题，来估计因果效应的界限。即使因果效应本身无法识别，这类界限也足以为政策决策提供信息。在实践中，这些界限往往是空泛的，因此研究者试图将领域知识全面编码为额外约束，使 PI 界限更具信息量。我们引入已知的数据对称性——因果效应在某些数据变换下保持不变——作为用于改进 PI 的一种新约束来源。我们通过对因果函数施加形状约束，并通过简单的数据预处理构造相对于其提出 PI 的测度变换，来实现这一点。研究表明，在两种经典 PI 模型下，这两种方法都能收紧界限。对于总体情形，我们从理论上证明了这一点；对于有限样本情形，则通过实验加以验证。更广泛地说，我们的框架确立了数据对称性作为稳健因果推断中一种自然但尚未得到充分利用的背景知识来源。