Orthogonality-Constrained Deep Instrumental Variable Model for Causal Effect Estimation
用于因果效应估计的正交约束深度工具变量模型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：摘要明确以工具变量神经网络估计因果效应，未提供足够信息支持其他细分分类。
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
用于因果效应估计的正交约束深度工具变量模型
- 研究问题
- 在深度工具变量因果效应估计中，能否通过交互特征表达异质性，并利用正交约束降低冗余、改善准确性和稳定性？
- 方法与思路
- 作者提出 OC-DeepIV，分别提取工具变量与协变量特征，加入交互项，并采用第一阶段均方误差和第二阶段正交正则化训练。
- 材料陈述的贡献
- 摘要称实验中该模型的准确性和稳定性优于 DeepIV 与 DML，并将真实问题应用及多个处理变量情形列为后续方向。
- 阅读关注点
- 应核对工具变量识别条件、两阶段各自的估计目标、正交约束的数学含义，以及与基准比较时的实验设计和调参公平性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明识别条件、实验数据或误差数值，不能把正交正则等同于有效识别。
原文摘要
OC-DeepIV is a neural network model designed for estimating causal effects. It characterizes heterogeneity by adding interaction features and reduces redundancy through orthogonal constraints. The model includes two feature extractors, one for the instrumental variable Z and the other for the covariate X*. The training process is divided into two stages: the first stage uses the mean squared error (MSE) loss function, and the second stage incorporates orthogonal regularization. Experimental results show that this model outperforms DeepIV and DML in terms of accuracy and stability. Future research directions include applying the model to real-world problems and handling scenarios with multiple processing variables.