Transferring Causal Effects using Proxies
利用代理变量迁移因果效应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：摘要直接研究未观测混杂下的跨域因果效应识别，核心工具是代理变量及目标域信息受限时的效应迁移。
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…
利用代理变量迁移因果效应
- 研究问题
- 当未观测混杂存在、因果效应可随域变化，且目标域只观测混杂因素的代理变量时，如何识别并估计目标域的因果效应？
- 方法与思路
- 作者利用隐藏混杂因素的代理变量建立跨域估计方法，提出两种估计技术，并声称给出可识别性、一致性证明及置信区间。
- 材料陈述的贡献
- 摘要称，该方法支持目标域仅观测代理变量时的因果效应迁移，并以模拟及网站排名对消费者选择影响的实例展示理论应用。
- 阅读关注点
- 应核对跨域共享结构、代理变量的识别作用与源域信息要求，尤其厘清摘要先设变量离散、随后涉及连续处理和结果的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实；摘要对离散变量与连续处理结果的范围表述不够清楚，具体跨域条件未说明。
原文摘要
We consider the problem of estimating a causal effect in a multi-domain setting. The causal effect of interest is confounded by an unobserved confounder and can change between the different domains. We assume that we have access to a proxy of the hidden confounder and that all variables are discrete or categorical. We propose methodology to estimate the causal effect in the target domain, where we assume to observe only the proxy variable. Under these conditions, we prove identifiability (even when treatment and response variables are continuous). We introduce two estimation techniques, prove consistency, and derive confidence intervals. The theoretical results are supported by simulation studies and a real-world example studying the causal effect of website rankings on consumer choices.