Black Box Causal Inference: Effect Estimation via Meta Prediction
黑箱因果推断：通过元预测估计效应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：摘要直接涉及 ATE、CATE、观测混杂、工具变量及已知识别条件下的效应估计，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…
关注这篇论文的作者
黑箱因果推断：通过元预测估计效应
- 研究问题
- 能否将因果效应估计转化为数据集层面的预测任务，在已有识别依据的不同问题中，减少逐个设计专门估计量的工作？
- 方法与思路
- 作者提出 BBCI，以抽样生成的数据集与效应配对作为学习对象，训练模型从整个数据集预测平均及条件平均处理效应。
- 材料陈述的贡献
- 摘要称，BBCI 在多个已知可识别的因果问题中实现准确的 ATE 与 CATE 估计，也覆盖部分专门估计量尚不成熟的情境。
- 阅读关注点
- 应核对训练配对的生成机制、各问题的识别依据，以及训练分布与应用分布之间的关系、比较设计和估计不确定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实。摘要未说明误差数值或跨分布表现；学习估计器并不自动解决因果识别问题。
原文摘要
Causal inference and the estimation of causal effects plays a central role in decision-making across many areas, including healthcare and economics. Estimating causal effects typically requires an estimator that is tailored to each problem of interest. But developing estimators can take significant effort for even a single causal inference setting. For example, algorithms for regression-based estimators, propensity score methods, and doubly robust methods were designed across several decades to handle causal estimation with observed confounders. Similarly, several estimators have been developed to exploit instrumental variables (IVs), including two-stage least-squares (TSLS), control functions, and the method-of-moments. In this work, we instead frame causal inference as a dataset-level prediction problem, offloading algorithm design to the learning process. The approach we introduce, called black box causal inference (BBCI), builds estimators in a black-box manner by learning to predict causal effects from sampled dataset-effect pairs. We demonstrate accurate estimation of average treatment effects (ATEs) and conditional average treatment effects (CATEs) with BBCI across several causal inference problems with known identification, including problems with less developed estimators.