Doubly robust identification of treatment effects from multiple environments
利用多个环境双重稳健识别处理效应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：摘要直接讨论未知因果图、混杂、不变性及多环境下处理效应识别，所述问题与方法均属于因果推断方向。
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…
利用多个环境双重稳健识别处理效应
- 研究问题
- 当因果图未知且观测数据可能包含处理后变量或未观测混杂时，能否利用多个数据环境的异质性识别处理效应？
- 方法与思路
- 作者提出 RAMEN，利用多来源异质性；处理或结局的因果父节点被观测且对应节点满足不变性时，可通过其中一条路径识别。
- 材料陈述的贡献
- 摘要称该算法无需知道或学习完整因果图即可实现双重稳健识别，并报告在合成与真实数据中优于所比较的方法。
- 阅读关注点
- 应核对环境变化与不变性的精确定义、两条识别路径的适用条件，以及这里的双重稳健识别与常见估计双重稳健性的区别。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；摘要未说明完整结构条件和环境要求，无偏及比较优势不能推广至任意观测数据。
原文摘要
Practical and ethical constraints often require the use of observational data for causal inference, particularly in medicine and social sciences. Yet, observational datasets are prone to confounding, potentially compromising the validity of causal conclusions. While it is possible to correct for biases if the underlying causal graph is known, this is rarely a feasible ask in practical scenarios. A common strategy is to adjust for all available covariates, yet this approach can yield biased treatment effect estimates, especially when post-treatment or unobserved variables are present. We propose RAMEN, an algorithm that produces unbiased treatment effect estimates by leveraging the heterogeneity of multiple data sources without the need to know or learn the underlying causal graph. Notably, RAMEN achieves doubly robust identification: it can identify the treatment effect whenever the causal parents of the treatment or those of the outcome are observed, and the node whose parents are observed satisfies an invariance assumption. Empirical evaluations on synthetic and real-world datasets show that our approach outperforms existing methods.