Proximal Causal Inference for Hidden Outcomes
隐藏结果的近端因果推断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：摘要明确研究隐藏结果条件下的代理识别、因果效应与影响函数估计。
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…
隐藏结果的近端因果推断
- 研究问题
- 当结果变量不可观测且只能借助代理信息时，如何在不施加强参数结构的情况下识别完整数据分布并估计因果效应？
- 方法与思路
- 作者利用特征值与特征向量结构重构潜在分布，先建立隐藏结果下完整数据法则的识别，再构造基于影响函数的效应估计量。
- 材料陈述的贡献
- 摘要称估计不依赖无偏代理测量或结果部分可见，并具有多重稳健性与效率性质；其关于首创性的表述仍是作者自述。
- 阅读关注点
- 应核对代理变量的识别条件、谱分解的唯一性、影响函数与干扰项估计要求，以及多重稳健性对应哪些模型组合。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出代理识别与效率条件，模拟表现和首创性也无法据此独立验证。
原文摘要
Methods that rely on proxies, without imposing strong parametric structure, are increasingly used to deal with unobserved variables in causal inference. One influential line of this work reconstructs latent distributions used to identify the target functional by exploiting eigenvalue eigenvector structure. Within this framework, we first establish identification of the full data law in the presence of hidden outcomes, and then develop influence function based estimators for causal effects. To the best of our knowledge, this is the first work to develop influence function based estimators in this setting without relying on unbiased proxy measurements or partial observation, while achieving multiple robustness and desirable efficiency properties. We demonstrate the performance of our approach through simulation studies.