A Cross-Moment Approach for Causal Effect Estimation
因果效应估计的交叉矩方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究潜在混杂、代理变量与双重差分相关的因果识别。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
因果效应估计的交叉矩方法
- 研究问题
- 在线性结构因果模型存在潜在混杂、仅有一个代理变量时，能否利用非高斯信息识别处理效应，并放宽特定双重差分限制？
- 方法与思路
- 作者利用处理、结果与代理变量之间的交叉矩构造效应估计，分析非高斯混杂下的识别，并给出联合高斯下的不可能性结果。
- 材料陈述的贡献
- 摘要称交叉矩可通过简单运算识别效应，放宽所述双重差分的共同趋势限制；联合高斯观测分布下则无法识别。
- 阅读关注点
- 应核对代理变量的结构限制、所需矩的阶数与存在条件，以及非高斯识别、双重差分比较和高斯不可能性结果的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未列全模型与代理假设，不能据此认为非高斯性单独足以识别效应。
原文摘要
We consider the problem of estimating the causal effect of a treatment on an outcome in linear structural causal models (SCM) with latent confounders when we have access to a single proxy variable. Several methods (such as difference-in-difference (DiD) estimator or negative outcome control) have been proposed in this setting in the literature. However, these approaches require either restrictive assumptions on the data generating model or having access to at least two proxy variables. We propose a method to estimate the causal effect using cross moments between the treatment, the outcome, and the proxy variable. In particular, we show that the causal effect can be identified with simple arithmetic operations on the cross moments if the latent confounder in linear SCM is non-Gaussian. In this setting, DiD estimator provides an unbiased estimate only in the special case where the latent confounder has exactly the same direct causal effects on the outcomes in the pre-treatment and post-treatment phases. This translates to the common trend assumption in DiD, which we effectively relax. Additionally, we provide an impossibility result that shows the causal effect cannot be identified if the observational distribution over the treatment, the outcome, and the proxy is jointly Gaussian. Our experiments on both synthetic and real-world datasets showcase the effectiveness of the proposed approach in estimating the causal effect.