协变量

 

关于协变量：我的建议是不要在这个定义上面钻牛角尖，因为“协变量”没有唯一定义，记住什么模型下什么变量可以叫“协变量”即可。

比如，线性回归的自变量可以叫“协变量”，协变量等同于自变量。线性回归模型如果是一个方差分析模型，则“无法控制”的连续变量叫“协变量”。回归模型的分类变量可以叫“因子”，而连续变量可以叫“协变量”。中介效应分析的时候，把关注的自变量叫“自变量”，其它“自变量”叫协变量，当你接着把其它协变量当自变量的时候，开始的自变量又变成了协变量。你看，协变量的叫法根本就不唯一。

我想知道温度对于降水量的影响，但是海拔高度、经纬度、当地湿度等变量也会影响降水量。

那么，在我的研究中，温度就是自变量，降水量是因变量，而海拔高度、经纬度和当地湿度就是协变量。

举个例子，研究教学方法对学生成绩的影响，那么学生本身的成绩水平（入学成绩）就是协变量，研究时需要剔除或控制住协变量的作用，否则结果不一定可靠。

 

causalinference: 使用Python做因果推断

Python做因果推理

 

机器学习方法在很多领域都取得了巨大的成功，但大多缺乏可解释性和稳定性。因果推理是一种用于解释性分析的强大建模工具，能支持当前机器学习做出可解释且稳定的推理。

在本次报告中，我们主要围绕因果推断和因果稳定学习进行分享。面向复杂高维大数据，传统因果推断方法面临一下新挑战：(1) 高维和噪声变量，以及 (2) 连续/复杂干预变量。为了应对这些挑战，我们提出了分解表示反事实回归 (DeR-CFR) 模型和生成对抗性去混淆 (GAD) 算法。此外，通过将因果推理与机器学习相结合，我们提出了因果约束的可解释稳定学习，旨在消除复杂数据关联中的虚假关联、甄别因果关联，并利用因果关联指导机器学习，突破传统关联驱动学习的局限，实现可解释的稳定学习。

 

 

 

【讲座时间】

2022年3月14日 19:00 

【讲座地点】

钉钉线上（扫二维码） 

【讲座流程】

18:45-18:55 签到

18:55-19:00 主持人介绍嘉宾的相关背景

19:00-20:00 况琨老师：因果推断和稳定学习在商业大数据分析中的应用 Application of causal inference and stable learning in business big data analytics

20:00-20:30 陈熹老师参与互动环节

20:30-20:35 活动结束

【嘉宾简介】

况琨

浙江大学计算机学院副教授，博士生导师，人工智能系副主任。2019年获得清华大学计算机科学与技术专业博士学位，2017-2018年访问美国斯坦福大学。获2021年度中国科协青年人才托举工程项目支持，2021年度中国电子学会科学技术奖（科技进步）一等奖，2020年度中国人工智能学会优秀博士学位论文提名奖。主要研究方向包括因果推理、人工智能、因果指导的可信机器学习，关注机器学习的可解释性、稳定性、公平性和可回溯性。在数据挖掘和机器学习领域已发表近40余篇顶级会议和期刊文章，包括KDD、ICML、MM、AAAI、TKDE、TKDD、Engineering等。

【讲座简介】

机器学习方法在很多领域都取得了巨大的成功，但大多缺乏可解释性和稳定性。因果推理是一种用于解释性分析的强大建模工具，能支持当前机器学习做出可解释且稳定的推理。

在本次报告中，我们主要围绕因果推断和因果稳定学习进行分享。面向复杂高维大数据，传统因果推断方法面临一下新挑战：(1) 高维和噪声变量，以及 (2) 连续/复杂干预变量。为了应对这些挑战，我们提出了分解表示反事实回归 (DeR-CFR) 模型和生成对抗性去混淆 (GAD) 算法。此外，通过将因果推理与机器学习相结合，我们提出了因果约束的可解释稳定学习，旨在消除复杂数据关联中的虚假关联、甄别因果关联，并利用因果关联指导机器学习，突破传统关联驱动学习的局限，实现可解释的稳定学习。