Proximal Balancing for Causal Effect Estimation under Unmeasured Confounding
不可测混杂下因果效应估计的近端平衡方法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估计与近端因果推断，直接对应因果推断这一领域细分。
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
不可测混杂下因果效应估计的近端平衡方法
- 研究问题
- 摘要关注在存在未测混杂因素、因果效应不可识别时，如何借助未测混杂的代理变量估计因果效应，并克服既有代理方法需指定代理角色、求解病态逆问题或依赖潜变量模型的困难。
- 方法与思路
- 作者提出近端平衡（proximal balancing），把经典协变量平衡思想推广到仅通过代理观测的混杂因素：学习协变量与代理的低维摘要，使处理组可比，再对该摘要进行调整；摘要称不需要指定代理角色、逆问题或潜变量模型，并给出识别理论、有限样本保证与实用算法 PROBE。
- 材料陈述的贡献
- 摘要明确陈述的贡献是提出近端平衡这一新框架，配套给出识别理论、有限样本保证和实用算法 PROBE，并在低维、高维、图像代理以及真实数据上展示该方法。
- 阅读关注点
- 阅读全文时应核对：识别理论所依赖的假设及其可检验性；有限样本保证的具体形式与条件；PROBE 算法的实现细节与调参方式；低维、高维、图像代理及真实数据实验的设计、对照方法与结果是否支持摘要中的说法。
- 阅读边界
- 仅凭摘要无法判断识别假设是否合理、有限样本界是否紧、PROBE 相对既有方法是否更优，也无法核实实验细节与真实数据结论；该文为 arXiv 预印本，同行评审状态未经验证，不能据此声称已被期刊接收。
原文摘要
Estimating causal effects from observational data is central to science and policy, but the effects are not identified when confounders are unmeasured. Proximal causal inference addresses this problem with proxies of the unmeasured confounders. However, existing proxy-based approaches either designate proxy roles and solve an inverse problem, which is ill-posed and hard to estimate with high-dimensional proxies, or use a latent-variable model, which assumes that the learned latent variable matches the hidden confounder and leaves bias when it does not. To address these challenges, we introduce proximal balancing. It carries the classical idea of covariate balancing to confounders that are observed only through proxies: it learns a low-dimensional summary of the covariates and proxies that makes the treatment groups comparable, and then adjusts for this summary. It needs no designated proxy roles, inverse problem, or latent model. We give identification theory, finite-sample guarantees, and a practical algorithm, PROBE. We demonstrate the method on low-dimensional, high-dimensional, and image proxies and on real-world data.