Identifying Interventional Joint Distributions via Extended Bridge Functions
利用扩展桥函数识别干预联合分布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：摘要直接讨论近端因果推断、代理变量和干预联合分布的识别。
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
利用扩展桥函数识别干预联合分布
- 研究问题
- 近端因果推断如何识别保留全部相关代理变量的干预联合分布，弥补标准桥函数主要识别边际干预分布的局限？
- 方法与思路
- 作者引入扩展桥函数，推导可保留相关代理变量的联合干预分布识别结果，再将其用于以干预核为中间对象的识别算法。
- 材料陈述的贡献
- 摘要称，扩展桥函数提供新的联合干预分布识别结果，并由此形成基于核操作的广义近端因果识别框架。
- 阅读关注点
- 应核对扩展桥函数的定义、存在性与识别要求、可保留的代理变量范围，以及核操作如何衔接完整的近端识别算法。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整假设、桥函数求解及估计方法，识别结果不等于有限样本可稳定估计。
原文摘要
Existing identification results in proximal causal inference often focus on marginal interventional distributions using standard outcome or treatment bridge functions. These methods do not generally identify joint interventional distributions that contain all proxy variables that were used to define the corresponding bridge functions. In many applications, however, these joint interventional distributions are a natural target of interest. We introduce extended bridge functions and derive new identification results for joint interventional distributions that may retain all relevant proxy variables. We then apply these results to proximal identification algorithms, where interventional kernels naturally arise as intermediate objects, yielding a generalized framework based on kernel operations.