Causal Inference with the Napkin Graph
Napkin 因果图下的因果推断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：摘要直接讨论未测混杂下的平均处理效应识别、双重稳健估计及因果图约束，属于因果推断。
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…
Napkin 因果图下的因果推断
- 研究问题
- 当未测混杂使常规调整失效时，Napkin 因果图如何识别平均处理效应，并利用观测分布中的 Verma 约束改善推断效率？
- 方法与思路
- 作者针对两个 g 公式之比构造影响函数估计量，包括双重稳健一步法与目标最小损失估计，并推导约束下的半参数效率理论。
- 材料陈述的贡献
- 摘要称刻画切空间正交补、影响函数类别与效率界，提出机器学习辅助估计方法，并以模拟和教育对收入的应用展示结果。
- 阅读关注点
- 应核对具体因果图与比值识别公式、分母及辅助估计条件，以及 Verma 约束如何进入效率界和实际估计程序。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未展示完整图结构、识别条件和效率增益数值，应用因果解释仍需核查。
原文摘要
Unmeasured confounding can render identification strategies based on adjustment functionals invalid. We study the "Napkin" graph, a causal structure that encapsulates features of M-bias, instrumental variables, and classical back-door and front-door settings, yet identifies the average treatment effect through a nonstandard ratio of two g-formulas. We develop influence-function-based estimators for this functional, including doubly-robust one-step and targeted minimum loss-based estimators that remain asymptotically linear under slower-than-parametric nuisance estimation using machine learning. A distinguishing feature of the Napkin graph is that it imposes a generalized independence restriction, known as a Verma constraint, rather than ordinary conditional independence restrictions, on the observed data distribution. We develop semiparametric efficiency theory for causal effects under a moment restriction corresponding to this Verma constraint, characterizing the orthocomplement of the tangent space, deriving the class of influence functions, and obtaining the semiparametric efficiency bound. More broadly, our analysis provides a framework for semiparametric inference in causal models defined by Verma constraints and demonstrates how such restrictions may yield efficiency gains. Simulations confirm the estimators' theoretical properties and demonstrate substantial efficiency gains. A real-data application using the Finnish Life Course Study estimates the effect of educational attainment on income. An accompanying R package, napkincausal, implements our methods.