Automating the Selection of Proxy Variables of Unmeasured Confounders
自动选择未观测混杂因素的代理变量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：摘要明确研究未观测混杂下的代理变量选择、因果效应识别及估计。
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…
自动选择未观测混杂因素的代理变量
- 研究问题
- 在多个处理与单一结局受到多个未观测混杂因素影响时，能否不预先指定有效代理变量，而利用数据选择代理并估计因果效应？
- 方法与思路
- 作者在线性因果模型中扩展既有代理变量估计量，分别基于二阶和高阶统计量提出识别条件，并构造两种代理选择与效应估计算法。
- 材料陈述的贡献
- 摘要称，论文处理多个未观测混杂因素，给出两组精确识别条件及数据驱动算法；理论分析支持算法正确性，合成与真实数据展示其有效性。
- 阅读关注点
- 应核对代理变量的有效性条件、多个混杂因素的维数要求、二阶与高阶方案各自的识别限制，以及选择误差如何影响后续效应估计。
- 阅读边界
- 依据所给 arXiv 预印本摘要，不能确认同行评审或期刊接收。摘要未列出两组识别条件，不能认为数据驱动选择能在任意未测混杂下成立。
原文摘要
Recently, interest has grown in the use of proxy variables of unobserved confounding for inferring the causal effect in the presence of unmeasured confounders from observational data. One difficulty inhibiting the practical use is finding valid proxy variables of unobserved confounding to a target causal effect of interest. These proxy variables are typically justified by background knowledge. In this paper, we investigate the estimation of causal effects among multiple treatments and a single outcome, all of which are affected by unmeasured confounders, within a linear causal model, without prior knowledge of the validity of proxy variables. To be more specific, we first extend the existing proxy variable estimator, originally addressing a single unmeasured confounder, to accommodate scenarios where multiple unmeasured confounders exist between the treatments and the outcome. Subsequently, we present two different sets of precise identifiability conditions for selecting valid proxy variables of unmeasured confounders, based on the second-order statistics and higher-order statistics of the data, respectively. Moreover, we propose two data-driven methods for the selection of proxy variables and for the unbiased estimation of causal effects. Theoretical analysis demonstrates the correctness of our proposed algorithms. Experimental results on both synthetic and real-world data show the effectiveness of the proposed approach.