A Causal Inference Framework for Data Rich Environments
数据丰富环境下的因果推断框架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：摘要明确针对不可观测混杂下的反事实估计及多类平均处理效应识别。
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…
数据丰富环境下的因果推断框架
- 研究问题
- 当单位数量和每个单位的测量数量都很大，但仍存在不可观测混杂时，如何识别并一致估计总体、已处理与未处理群体的平均效应？
- 方法与思路
- 作者构建连接结构因果模型与潜在因子模型的反事实框架，以辅助参数估计误差率建立一致性，并分析主成分回归的适用性。
- 材料陈述的贡献
- 摘要称，该框架容纳经典潜在结果与处理分配模型，给出三类平均效应的识别论证，并研究主成分回归一致性所需的最低光滑性。
- 阅读关注点
- 应核对大量测量变量如何提供识别信息、潜在混杂的结构限制、辅助参数误差率要求，以及主成分回归与光滑性条件的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核实。摘要未列出具体识别假设和误差率门槛，数据丰富本身不能保证消除混杂。
原文摘要
We propose a formal model for counterfactual estimation with unobserved confounding in "data-rich" settings, i.e., where there are a large number of units and a large number of measurements per unit. Our model provides a bridge between the structural causal model view of causal inference common in the graphical models literature with that of the latent factor model view common in the potential outcomes literature. We show how classic models for potential outcomes and treatment assignments fit within our framework. We provide an identification argument for the average treatment effect, the average treatment effect on the treated, and the average treatment effect on the untreated. For any estimator that has a fast enough estimation error rate for a certain nuisance parameter, we establish it is consistent for these various causal parameters. We then show principal component regression is one such estimator that leads to consistent estimation, and we analyze the minimal smoothness required of the potential outcomes function for consistency.