COMPACT: Spectral Adjustment Scores from a Complete and Irreducible Causal Criterion
COMPACT：基于完整且不可约因果准则的谱调整得分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：摘要核心是因果图、混杂调整、代理变量与处理效应估计前的得分构造。
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
COMPACT：基于完整且不可约因果准则的谱调整得分
- 研究问题
- 当调整变量众多、混杂信息分散或只能观察代理变量时，如何构造低维调整得分，并使选择依据具有明确的因果图含义？
- 方法与思路
- 作者在允许潜变量的因果图中，以忠实性下的依赖关系不变性定义准则，再用广义特征值问题构造平衡与结果引导坐标空间。
- 材料陈述的贡献
- 摘要称，作者刻画该准则表达的最具体图类，研究信息充分代理变量的恢复能力与误差，并建立完整程序的自助法有效性。
- 阅读关注点
- 应核对忠实性和代理信息充分性的要求、图准则与效应可识别性的联系，以及谱得分估计误差和自助法如何传入下游分析。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未列出完整假设，图准则不替代下游效应识别，比较优势也限于所述实验。
原文摘要
Observational datasets frequently contain many baseline variables, yet investigators estimating causal effects may not know which variables to include in the adjustment set. Confounding information may also be distributed weakly across many variables. Propensity scores can simplify adjustment by reducing high-dimensional covariates to a scalar with binary treatment. Although the propensity score is the coarsest balancing score, this distributional optimality does not imply maximal specificity over causal graphs. We instead examine all causal graphs among a candidate score, treatment, and outcome while allowing latent variables. Under faithfulness, we identify the largest set of unconditional and conditional dependence relations whose truth is invariant to whether treatment causes the outcome, leaving treatment-effect estimation to the downstream analysis. This criterion defines the maximally specific graph class expressible through these relations. We then develop the proposed algorithm, which operationalizes the criterion through a generalized eigenvalue problem whose score space targets the span of a balancing coordinate and an outcome-guided coordinate. We show that sufficiently informative proxies can recover this span without direct observation of the adjustment variables, characterize the resulting estimation and causal errors, and establish bootstrap validity for the complete procedure. Simulations and a real-data application demonstrate superior performance over several alternatives.