Long-Term Causal Inference with Many Noisy Proxies
利用大量含噪代理变量进行长期因果推断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：摘要研究实验中借助短期代理结果识别和估计长期处理效应。
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…
关注这篇论文的作者
利用大量含噪代理变量进行长期因果推断
- 研究问题
- 在数字平台实验难以及时观测长期结果时，如何利用大量带噪短期代理结果估计长期处理效应，并控制偏差与方差？
- 方法与思路
- 作者把代理结果视为低维潜在中介变量的含噪测量，分析正则化回归，给出 Ridge 偏差与方差权衡的闭式表达。
- 材料陈述的贡献
- 摘要称理论与模拟中正则化回归优于朴素代理选择，且增加代理数量可降低 Ridge 偏差，并应用于 California GAIN 实验。
- 阅读关注点
- 应核对潜在中介与长期结果的连接条件、代理噪声结构，以及代理增多时偏差下降的适用条件和正则化参数选择。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未完整说明长期效应识别条件，不能断言加入任意代理均有益。
原文摘要
We propose a method for estimating long-term treatment effects with many short-term proxy outcomes: a central challenge when experimenting on digital platforms. We formalize this challenge as a latent variable problem where observed proxies are noisy measures of a low-dimensional set of unobserved surrogates that mediate treatment effects. Through theoretical analysis and simulations, we demonstrate that regularized regression methods substantially outperform naive proxy selection. We show in particular that the bias of Ridge regression decreases as more proxies are added, with closed-form expressions for the bias-variance tradeoff. We illustrate our method with an empirical application to the California GAIN experiment.