Optimizing Experimental Design for Causal Effect Estimation with Partial Measurements
部分测量条件下因果效应估计的最优实验设计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：摘要以工具变量回归估计受混杂影响的处理效应为目标，并优化相应采样设计，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…
关注这篇论文的作者
部分测量条件下因果效应估计的最优实验设计
- 研究问题
- 已有变量联合分布的先验信息、且新增测量受预算约束时，怎样组合部分与完整样本，以提高工具变量因果效应估计精度？
- 方法与思路
- 作者在高斯图模型中分析部分测量对渐近方差的影响，加入各类样本成本约束，解析求解实数域上的最优样本分配。
- 材料陈述的贡献
- 摘要称特定参数配置下部分样本可降低渐近方差，并给出最优预算下的显著性水平、功效与样本量计算及应用展示。
- 阅读关注点
- 应核对哪些参数配置使部分测量有效、初始分布信息如何获得、连续最优解如何转为整数分配，以及自适应采样的推断条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要明确依赖特定高斯模型参数配置，未给出具体条件或预算节省数值。
原文摘要
Instrumental variable regression quantifies causal effects between a possibly confounded treatment variable $ X_2 $ and a response variable $ X_3 $ by leveraging an instrument $ X_1 $. Our work considers the setting where some prior information of the joint distribution of $ X_{123} $ is given, potentially through an initial dataset. However, further samples must be gathered to improve the accuracy of the estimation. We show that under specific parameter configurations in a Gaussian graphical model, taking partial samples from, e.g., $ X_{12} $ can reduce the asymptotic variance of a consistent estimator. This idea is developed by adding a budget constraint over the cost per (partial) sample. The optimization problem is analytically solvable over the real numbers and gives the optimal number of requested partial and complete samples. We provide significance level, power, and sample-size calculations for detecting a non-zero causal effect under optimal budget allocation. Our method can considerably reduce the necessary budget and the number of complete samples. Finally, we showcase the advantages and applicability of adaptive causal effect estimation for automotive analytics and pharmaceutical research.