TabCF: Distributional Control Function Estimation with Tabular Foundation Models
TabCF：利用表格基础模型进行分布控制函数估计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：摘要明确围绕未观测混杂下的因果估计，并以干预均值、分位数等分布量为目标。
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…
TabCF：利用表格基础模型进行分布控制函数估计
- 研究问题
- 在存在未观测混杂时，如何借助工具变量和控制函数估计干预均值、分位数等分布量，同时减少模型拟合与调参负担？
- 方法与思路
- 作者提出以表格基础模型实现控制函数回归的 TabCF，估计干预分布量，并用基于 copula 的近似处理多变量结局。
- 材料陈述的贡献
- 摘要称该方法在多种中小样本模拟和真实数据场景中表现良好，并将其定位为分布因果推断工具及未来方法比较的基准。
- 阅读关注点
- 应核对工具变量与控制函数的识别条件、分布量的构造、多变量近似误差，以及比较方法的调参预算与评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未获核实；摘要未说明识别假设、推断程序及具体结果，性能主张仍需全文核对。
原文摘要
Instrumental variable (IV) and control function (CF) methods are powerful tools for causal effect estimation in the presence of unmeasured confounding, yet most existing approaches target only mean effects and/or demand substantial fitting and tuning effort. In this paper, we introduce a simple method, TabCF, for control function regression using tabular foundation models, which enables accurate, fast, identification-transparent, and tuning-light causal estimation of distributional quantities, such as interventional means and quantiles; we also propose a copula-based approximation for multivariate outcomes. TabCF performs favorably against representative methods across a broad range of small- to medium-sized synthetic and real data scenarios. The central message is two-fold: for practitioners, it highlights that TabCF is an effective tool for distributional causal inference; for researchers, it suggests that the proposed approach could be considered a strong baseline for future method development. Code is available at https://github.com/GepingChen/TabCF.