Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources
融合观察、偏倚与随机化数据以近似反事实界限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：摘要明确研究结构因果模型中的反事实查询、部分识别及观察和干预数据融合，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…
融合观察、偏倚与随机化数据以近似反事实界限
- 研究问题
- 如何融合可能存在选择偏倚的观察与干预数据，在结构因果模型中估计部分识别的反事实界限，并提高所得界限的信息量？
- 方法与思路
- 作者从单一有选择偏倚的数据集出发，利用似然无局部极大值的结果运行因果 EM 近似界限，再通过图变换统一处理多来源数据。
- 材料陈述的贡献
- 摘要称该方法覆盖观察或干预、有偏或无偏的多数据源情形，数值实验和姑息治疗案例提示异质数据融合有助于获得更有信息的界限。
- 阅读关注点
- 应核对似然结论适用的模型与参数空间、图变换保留的信息、因果 EM 的界限近似误差，以及不同来源数据可融合的条件。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未说明模型限制和近似精度，不能将无局部极大值直接视为精确界限保证。
原文摘要
We address the problem of integrating data from multiple, possibly biased, observational and interventional studies, to eventually compute counterfactuals in structural causal models. We start from the case of a single observational dataset affected by a selection bias. We show that the likelihood of the available data has no local maxima. This enables us to use the causal expectation-maximisation scheme to approximate the bounds for partially identifiable counterfactual queries, which are the focus of this paper. We then show how the same approach can address the general case of multiple datasets, no matter whether interventional or observational, biased or unbiased, by remapping it into the former one via graphical transformations. Systematic numerical experiments and a case study on palliative care show the effectiveness of our approach, while hinting at the benefits of fusing heterogeneous data sources to get informative outcomes in case of partial identifiability.