Anchor Regression: Heterogeneous Data Meet Causality
锚回归：异质数据与因果性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。
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：摘要明确联系因果参数、干预、外生变量和工具变量，并研究分布变化下的不变性。
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…
锚回归：异质数据与因果性
- 研究问题
- 当测试数据与训练数据发生分布位移时，如何在拟合表现与干预稳健性之间取舍，避免因果参数在某些预测任务中过于保守？
- 方法与思路
- 作者利用外生锚变量修改最小二乘损失，求解因果极小极大问题的放松形式，使解在普通最小二乘与两阶段最小二乘之间插值。
- 材料陈述的贡献
- 摘要称在线性位移类下给出分布稳健预测保证，即使工具变量假设失效仍可成立，并建立锚稳定性对应的参数不变性结果。
- 阅读关注点
- 应核对锚变量的外生性、位移类与调参含义，以及预测保证、参数不变性和因果解释分别依赖哪些条件。
- 阅读边界
- 仅依据所给 Crossref 摘要；工具变量假设失效时的预测保证不自动赋予因果解释，具体位移限制和实证范围未说明。
原文摘要
Abstract We consider the problem of predicting a response variable from a set of covariates on a data set that differs in distribution from the training data. Causal parameters are optimal in terms of predictive accuracy if in the new distribution either many variables are affected by interventions or only some variables are affected, but the perturbations are strong. If the training and test distributions differ by a shift, causal parameters might be too conservative to perform well on the above task. This motivates anchor regression, a method that makes use of exogenous variables to solve a relaxation of the ‘causal’ minimax problem by considering a modification of the least-squares loss. The procedure naturally provides an interpolation between the solutions of ordinary least squares (OLS) and two-stage least squares. We prove that the estimator satisfies predictive guarantees in terms of distributional robustness against shifts in a linear class; these guarantees are valid even if the instrumental variable assumptions are violated. If anchor regression and least squares provide the same answer (‘anchor stability’), we establish that OLS parameters are invariant under certain distributional changes. Anchor regression is shown empirically to improve replicability and protect against distributional shifts.