Uncovering Bias Mechanisms in Observational Studies
揭示观测研究中的偏差机制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：摘要直接研究观测因果推断中的隐藏混杂、选择偏差及偏差机制诊断。
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…
揭示观测研究中的偏差机制
- 研究问题
- 观测研究的因果偏差可能来自隐藏混杂或参与者选择，如何从偏差幅度与辅助函数预测表现的关系中区分这些来源？
- 方法与思路
- 作者分析观测研究中偏差大小与辅助函数估计器预测性能的关联，构造区分常见偏差来源的方法，并以合成实验及案例验证。
- 材料陈述的贡献
- 摘要称该方法能够揭示已观察偏差背后的机制，为理解和刻画观测研究中的系统性偏差提供区别于检测或纠偏的视角。
- 阅读关注点
- 核对偏差幅度如何获得、预测性能的评价口径、不同机制产生可区分关系的条件，以及多个偏差机制并存时的表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未说明机制区分的完整条件，不能把诊断结果视为唯一的因果解释。
原文摘要
Observational studies are a key resource for causal inference but are often affected by systematic biases. Prior work has focused mainly on detecting these biases, via sensitivity analyses and comparisons with randomized controlled trials, or mitigating them through debiasing techniques. However, there remains a lack of methodology for uncovering the underlying mechanisms driving these biases, e.g., whether due to hidden confounding or selection of participants. In this work, we show that the relationship between bias magnitude and the predictive performance of nuisance function estimators (in the observational study) can help distinguish among common sources of causal bias. We validate our methodology through extensive synthetic experiments and a real-world case study, demonstrating its effectiveness in revealing the mechanisms behind observed biases. Our framework offers a new lens for understanding and characterizing bias in observational studies, with practical implications for improving causal inference.