结构性因果模型(SCM)提供了一种原则方法,可以从经济学到医学的学科中的观察和实验数据中识别因果关系。但是,通常以图形模型表示的SCM不仅可以依靠数据,而要支持域知识的支持。在这种情况下,一个关键的挑战是缺乏以系统的方式将先验(背景知识)编码为因果模型的方法学框架。我们提出了一个称为因果知识层次结构(CKH)的抽象,用于将先验编码为因果模型。我们的方法基于医学中“证据水平”的基础,重点是对因果信息的信心。使用CKH,我们提出了一个方法学框架,用于编码来自各种信息源的因果研究,并将它们组合起来以得出SCM。我们在模拟数据集上评估了我们的方法,并与敏感性分析的地面真实因果模型相比,证明了整体性能。
translated by 谷歌翻译