Detecting hidden confounding in observational data using multiple environments
利用多个环境的观测数据检测隐藏混杂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：摘要以未观测混杂检测、因果机制及跨环境条件独立检验为核心，直接对应因果推断。
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…
利用多个环境的观测数据检测隐藏混杂
- 研究问题
- 单个观测数据集一般无法验证无隐藏混杂时，能否借助不同环境的多个数据集构造可检验信息，识别未观测混杂？
- 方法与思路
- 作者在独立因果机制假设下推导可检验的条件独立关系，提出检验程序，并研究机制退化、依赖及忠实性违反的情形。
- 材料陈述的贡献
- 摘要称，该程序在模拟及真实数据衍生的半合成研究中多数情况下正确预测隐藏混杂，尤其在混杂偏差较大时表现较好。
- 阅读关注点
- 应核对环境差异如何提供识别信息、独立机制与忠实性要求，以及检验结果如何区分隐藏混杂和假设违反。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未给出错误率和完整适用条件，未检出混杂也不能自动证明不存在混杂。
原文摘要
A common assumption in causal inference from observational data is that there is no hidden confounding. Yet it is, in general, impossible to verify this assumption from a single dataset. Under the assumption of independent causal mechanisms underlying the data-generating process, we demonstrate a way to detect unobserved confounders when having multiple observational datasets coming from different environments. We present a theory for testable conditional independencies that are only absent when there is hidden confounding and examine cases where we violate its assumptions: degenerate & dependent mechanisms, and faithfulness violations. Additionally, we propose a procedure to test these independencies and study its empirical finite-sample behavior using simulation studies and semi-synthetic data based on a real-world dataset. In most cases, the proposed procedure correctly predicts the presence of hidden confounding, particularly when the confounding bias is large.