Robust Weighted Triangulation of Causal Effects Under Model Uncertainty
模型不确定性下因果效应的稳健加权三角验证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：摘要明确围绕观察数据的因果效应、识别假设和半参数推断，所提三角验证方法直接服务于因果模型不确定性处理。
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…
模型不确定性下因果效应的稳健加权三角验证
- 研究问题
- 面对多个依赖不同且可能重叠识别假设的因果模型，如何结合其效应估计，在避免显式模型选择的同时刻画结果与真实效应的距离？
- 方法与思路
- 作者结合因果发现中的模型可检验性与半参数推断，以数据驱动的模型有效性度量加权各模型的识别泛函，构造三角验证泛函。
- 材料陈述的贡献
- 摘要称，文章给出该泛函偏离真实因果效应的界、偏离可趋零的条件及有效统计推断，并通过模拟和实证应用展示其表现。
- 阅读关注点
- 应核对模型有效性度量能排除哪些错误模型、距离界依赖哪些条件，以及估计权重的不确定性如何进入推断；还需明确最终推断对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出距离趋零的条件，不能把多个模型的加权结果自动视为真实因果效应。
原文摘要
A fundamental challenge in causal inference with observational data is correct specification of a causal model. When there is model uncertainty, analysts may seek to use estimates from multiple candidate models that rely on distinct, and possibly partially overlapping, sets of identifying assumptions to infer the causal effect, a process known as triangulation. Principled methods for triangulation, however, remain underdeveloped. Here, we develop a framework for causal effect triangulation that combines model testability methods from causal discovery with statistical inference methods from semiparametric theory, while avoiding explicit model selection and post-selection inference problems. We propose a triangulation functional that combines identified functionals from each model with data-driven measures of model validity. We provide a bound on the distance of the functional from the true causal effect along with conditions under which this distance can be taken to zero. Finally, we derive valid statistical inference for this functional. Our framework formalizes robustness under causal pluralism without requiring agreement across models or commitment to a single specification. We demonstrate its performance through simulations and an empirical application.