Statistical Inference in Causal Partial Identification with Smooth Densities
光滑密度下因果部分识别的统计推断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：摘要明确研究潜在结果缺失导致的因果部分识别及其推断，故选择因果推断；未明确指定分位数或分布效应目标。
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…
光滑密度下因果部分识别的统计推断
- 研究问题
- 如何利用协变量收紧因果参数的部分识别集合，同时缓解条件最优传输中的维数灾难，并为集合估计提供有效统计推断？
- 方法与思路
- 作者利用协变量及潜在结果边际密度的光滑性，开发适用于多元数据的小波原始方法，并在二次成本下分析条件最优传输的稳定性。
- 材料陈述的贡献
- 摘要称二次成本下的稳定性结果支持估计器渐近正态性，从而允许部分识别集合的有效推断，并通过数值实验与已有基准比较。
- 阅读关注点
- 应核对目标因果量与传输成本的对应关系、密度光滑性和维度限制，以及渐近正态性如何转化为部分识别集合的覆盖结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未给出光滑性阈值、收敛率及区间构造，正态结论不能直接推广至任意成本。
原文摘要
Many causal quantities are only partially identifiable due to the inherent missingness of potential outcomes, and the associated partial identification (PI) sets can be obtained by solving an optimal transport (OT) problem. Covariates often provide additional information about the potential outcomes and thus yield tighter PI sets, which can be obtained via conditional optimal transport (COT). However, COT-based PI set estimators are susceptible to the curse of dimensionality in the covariates and outcomes, which precludes the asymptotic normality and hinders statistical inference. In this paper, we exploit smoothness in the marginal densities of covariates and potential outcomes and develop a wavelet-based primal method for COT with multivariate outcomes and covariates. Moreover, for quadratic cost functions, we establish a stability result for COT and prove asymptotic normality of the proposed estimator. This characterization of the asymptotic distribution enables valid statistical inference for the partial identification set. Empirically, we validate the estimation and inference performance of our approach through numerical experiments in comparison with existing benchmarks.