مقاله یادگیری عمیق با DAGS

چکیده

Social science theories often postulate causal relationships among a set of variables or events. Although directed acyclic graphs (DAGs) are increasingly used to represent these theories, their full potential has not yet been realized in practice. As non-parametric causal models, DAGs require no assumptions about the functional form of the hypothesized relationships. Nevertheless, to simplify the task of empirical evaluation, researchers tend to invoke such assumptions anyway, even though they are typically arbitrary and do not reflect any theoretical content or prior knowledge. Moreover, functional form assumptions can engender bias, whenever they fail to accurately capture the complexity of the causal system under investigation. In this article, we introduce causal-graphical normalizing flows (cGNFs), a novel approach to causal inference that leverages deep neural networks to empirically evaluate theories represented as DAGs. Unlike conventional approaches, cGNFs model the full joint distribution of the data according to a DAG supplied by the analyst, without relying on stringent assumptions about functional form. In this way, the method allows for flexible, semi-parametric estimation of any causal estimand that can be identified from the DAG, including total effects, conditional effects, direct and indirect effects, and path-specific effects. We illustrate the method with a reanalysis of Blau and Duncan’s (1967) model of status attainment and Zhou’s (2019) model of conditional versus controlled mobility. To facilitate adoption, we provide open-source software together with a series of online tutorials for implementing cGNFs. The article concludes with a discussion of current limitations and directions for future development.

چکیده به فارسی (ترجمه ماشینی)

نظریه های علوم اجتماعی غالباً روابط علی را بین مجموعه ای از متغیرها یا رویدادها فرض می کنند.اگرچه نمودارهای حسی (DAG) به طور فزاینده ای برای نشان دادن این نظریه ها استفاده می شوند ، اما پتانسیل کامل آنها هنوز در عمل تحقق نیافته است.به عنوان مدلهای علی غیر پارامتری ، DAG ها هیچ فرضیه ای در مورد شکل عملکردی روابط فرضیه ندارند.با این وجود ، برای ساده کردن وظیفه ارزیابی تجربی ، محققان تمایل دارند به هر حال چنین فرضیاتی را فراخوانی کنند ، حتی اگر آنها به طور معمول دلخواه هستند و هیچ محتوای نظری یا دانش قبلی را منعکس نمی کنند.علاوه بر این ، فرضیات فرم عملکردی می توانند باعث تعصب شوند ، هر زمان که نتوانند پیچیدگی سیستم علی را تحت بررسی دقیق بگیرند.در این مقاله ، ما جریان های عادی سازی علیت-گرافیکی (CGNFS) را معرفی می کنیم ، یک رویکرد جدید به استنتاج علی که از شبکه های عصبی عمیق استفاده می کند تا نظریه های تجربی را که به عنوان DAG ها نشان داده می شوند ، ارزیابی کنند.بر خلاف رویکردهای متعارف ، CGNFS توزیع کامل مشترک داده ها را با توجه به DAG تهیه شده توسط تحلیلگر ، بدون تکیه بر فرضیات سختگیرانه در مورد فرم عملکردی مدل می کند.در این روش ، این روش امکان برآورد انعطاف پذیر و نیمه پارامتری از هر برآورد علی را که می تواند از DAG شناسایی شود ، از جمله اثرات کل ، اثرات مشروط ، اثرات مستقیم و غیرمستقیم و اثرات خاص مسیر امکان پذیر می کند.ما این روش را با تجزیه و تحلیل مجدد مدل Blau و Duncan (1967) از وضعیت دستیابی به وضعیت و مدل ژو (2019) از تحرک مشروط در مقابل تحرک کنترل نشان می دهیم.برای تسهیل فرزندخواندگی ، ما نرم افزار منبع باز را به همراه یک سری آموزش آنلاین برای اجرای CGNF ارائه می دهیم.مقاله با بحث در مورد محدودیت ها و دستورالعمل های فعلی برای توسعه آینده نتیجه می گیرد.