Local Learning for Covariate Selection in Nonparametric Causal Effect Estimation with Latent Variables
存在潜变量时非参数因果效应估计的局部协变量选择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：摘要明确研究潜变量存在时的混杂调整集选择和非参数因果效应估计。
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…
存在潜变量时非参数因果效应估计的局部协变量选择
- 研究问题
- 非实验数据存在潜变量时，能否只学习目标处理与结果附近的关系，选择有效混杂调整集，而不必恢复全部变量的全局结构？
- 方法与思路
- 作者提出局部学习算法，利用观测变量间可检验的独立与依赖关系寻找目标因果关系的有效调整集，并进行合成和真实数据实验。
- 材料陈述的贡献
- 摘要称算法在标准假设下具有可靠性与完备性，能够考虑潜变量并避免不必要的全局结构学习，实验用于展示其有效性。
- 阅读关注点
- 核对标准假设的具体内容、有效调整集存在时的适用条件、独立性检验误差，以及可靠性与完备性结论对应的总体或样本环境。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未说明完整假设和有限样本保证，不能据此认为任意潜在混杂均可消除。
原文摘要
Estimating causal effects from nonexperimental data is a fundamental problem in many fields of science. A key component of this task is selecting an appropriate set of covariates for confounding adjustment to avoid bias. Most existing methods for covariate selection often assume the absence of latent variables and rely on learning the global network structure among variables. However, identifying the global structure can be unnecessary and inefficient, especially when our primary interest lies in estimating the effect of a treatment variable on an outcome variable. To address this limitation, we propose a novel local learning approach for covariate selection in nonparametric causal effect estimation, which accounts for the presence of latent variables. Our approach leverages testable independence and dependence relationships among observed variables to identify a valid adjustment set for a target causal relationship, ensuring both soundness and completeness under standard assumptions. We validate the effectiveness of our algorithm through extensive experiments on both synthetic and real-world data.