Proximal causal inference through cross-proxy balancing
通过交叉代理平衡的近似因果推断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：摘要主题为未测混杂下的因果效应识别与估计，直接对应因果推断方向。
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…
通过交叉代理平衡的近似因果推断
- 研究问题
- 在存在未测混杂时，如何借助两组代理变量识别因果效应，以及拟合的桥函数究竟通过何种机制校正混杂偏差。
- 方法与思路
- 作者提出将处理桥函数的定义方程重新解释为一种交叉代理形式的平衡条件：权重是处理混杂代理与协变量的函数，用以平衡结果混杂代理与协变量，并据此把既有识别路径理解为平衡传播。
- 材料陈述的贡献
- 摘要称，该框架表明处理桥函数估计属于一类平衡权重估计，并可为包括使用结果桥函数在内的一大类近似估计量给出结果加权形式，还给出常见估计量数值等价的条件。
- 阅读关注点
- 应核对平衡条件的推导与假设、平衡传播成立所需条件、结果加权估计量的构造，以及数值等价结论的适用范围与前提。
- 阅读边界
- 这是 arXiv 预印本，未经同行评审验证；摘要未说明具体识别假设、估计量细节、模拟或实证结果，不能据此判断方法优劣或实际表现。
原文摘要
Proximal causal inference identifies causal effects in the presence of unmeasured confounding by drawing on two sets of proxy variables. Identification typically utilizes bridge functions, defined as solutions to integral equations. However, the mechanism by which fitted bridge functions correct for confounding bias remains opaque, offering little to interpret, inspect or stress-test. We show that the defining equation of a treatment bridge function is already a balance condition, with a cross-proxy form: the weights are functions of the treatment confounding proxies and covariates, and they balance the outcome confounding proxies and covariates (i.e., reweighting the distribution in a particular treatment arm to match the distribution across treatment arms). Several existing identification paths via a treatment bridge function can then be interpreted as providing conditions under which balance on the outcome proxies implies balance on the unobserved confounders, which we call balance propagation. Leveraging this framing, we show that estimation of the treatment bridge function is a type of balancing weight estimation. Finally, we show that an outcome-weighted estimator form can also be obtained for a large class of proximal estimators, including those that utilize an outcome bridge function. Using this framing, we provide conditions under which common estimators are numerically equivalent.