您观察到的内容决定了您如何识别因果效应：跨观察视图评估因果模型

人们提出了根据各种结构因果模型（SCM）生成的数据预先训练的因果基础模型（CFM），用于估计观测数据的因果效应。然而，预训练环境和评估协议的差异使得很难评估它们的性能如何依赖于可用于因果识别的信息。为了实现受控比较，我们引入了 CausalIDView，这是一种多视图基准，它保存固定的 SCM 实现和目标估计量，同时仅改变估计器可用的观察视图。每个观察视图都对应于基准保持的因果假设下的不同识别机制。在这些匹配的视图中，没有一个 CFM 始终表现最佳，并且模型排名差异很大。在受控的结构变化下，CFM 表现出模型特定的故障，无法在真实效果不变时保持稳定的估计并跟踪真实效果变化。我们还研究了将显式识别与强预测估计相结合是否有效。将预测表格基础模型与特定制度识别程序相结合的模块化方法与 CFM 具有竞争力，并且优于其中的一些方法。这些发现激发了跨区域比较，以评估 CFM 的经验价值。