Optimizing Feature Selection in Causal Inference: A Three-Stage Computational Framework for Unbiased Estimation
因果推断中的特征选择优化：无偏估计的三阶段计算框架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：摘要围绕匹配中的变量选择、混杂控制以及因果量的偏差和方差展开，并提供医疗相关因果问题的应用。
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
因果推断中的特征选择优化：无偏估计的三阶段计算框架
- 研究问题
- 进行匹配估计时，如何从候选变量中选择合适子集，以减少遗漏混杂带来的偏差及无关变量引起的方差和计算负担？
- 方法与思路
- 作者提出改进的三阶段特征选择框架，在不同合成数据设定下评估变量筛选与因果估计表现，并应用于阿片使用障碍和自杀行为问题。
- 材料陈述的贡献
- 摘要报告，相比已有特征选择框架，该方法在所考察设定中降低因果量估计的偏差和方差，并在可行计算时间内处理大规模数据。
- 阅读关注点
- 核对三个阶段的变量筛选规则、匹配目标与因果识别条件，尤其关注真实应用中的混杂控制、比较基准和计算规模。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明识别假设及实际效应，所述无偏性不能视为普遍保证。
原文摘要
Feature selection is an important but challenging task in causal inference for obtaining unbiased estimates of causal quantities. Properly selected features in causal inference not only significantly reduce the time required to implement a matching algorithm but, more importantly, can also reduce the bias and variance when estimating causal quantities. When feature selection techniques are applied in causal inference, the crucial criterion is to select variables that, when used for matching, can achieve an unbiased and robust estimation of causal quantities. Recent research suggests that balancing only on treatment-associated variables introduces bias while balancing on spurious variables increases variance. To address this issue, we propose an enhanced three-stage framework that shows a significant improvement in selecting the desired subset of variables compared to the existing state-of-the-art feature selection framework for causal inference, resulting in lower bias and variance in estimating the causal quantity. We evaluated our proposed framework using a state-of-the-art synthetic data across various settings and observed superior performance within a feasible computation time, ensuring scalability for large-scale datasets. Finally, to demonstrate the applicability of our proposed methodology using large-scale real-world data, we evaluated an important US healthcare policy related to the opioid epidemic crisis: whether opioid use disorder has a causal relationship with suicidal behavior.