Identifiability of causal effects with multiple causes and a binary outcome
多重处理与二元结果下因果效应的可识别性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。
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：摘要直接讨论未观测混杂下的因果识别，并明确使用二元选择结果模型。
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
多重处理与二元结果下因果效应的可识别性
- 研究问题
- 多个处理由共同潜在混杂因素联系、处理模型为线性高斯时，二元结果模型的哪些限制能够恢复因果效应识别？
- 方法与思路
- 作者采用非 probit 链接的二元选择结果模型，利用处理及混杂因素的高斯性与潜在结果变量的非高斯性差异实现识别。
- 材料陈述的贡献
- 摘要称，在所述二元选择模型下因果效应可识别，并进一步提出两步似然估计程序，为共享混杂设定提供识别路径。
- 阅读关注点
- 应核对非 probit 链接之外的模型限制、潜在混杂因素的设定与归一化，以及两步似然程序和识别证明的适用范围。
- 阅读边界
- 仅据所给 Crossref 摘要，不能将非 probit 链接视为脱离其他模型条件的充分条件；具体识别限制与估计性质未说明。
原文摘要
Summary Unobserved confounding presents a major threat to causal inference in observational studies. Recently, several authors have suggested that this problem could be overcome in a shared confounding setting where multiple treatments are independent given a common latent confounder. It has been shown that under a linear Gaussian model for the treatments, the causal effect is not identifiable without parametric assumptions on the outcome model. In this note, we show that the causal effect is indeed identifiable if we assume a general binary choice model for the outcome with a non-probit link. Our identification approach is based on the incongruence between Gaussianity of the treatments and latent confounder and non-Gaussianity of a latent outcome variable. We further develop a two-step likelihood-based estimation procedure.