The Proximal ID Algorithm
近端因果识别算法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：摘要核心是通过因果图和代理变量解决未观测混杂下的因果识别。
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…
近端因果识别算法
- 研究问题
- 面对未观测混杂，如何结合因果图的分布限制与代理变量信息，系统识别传统 ID 算法无法识别的因果参数？
- 方法与思路
- 作者将图模型中的 ID 识别思路与代理变量调整相结合，提出近端 ID 算法，并在一个重要特例中概述估计策略。
- 材料陈述的贡献
- 摘要称算法覆盖传统 ID 算法成功的全部非参数识别情形，还能利用代理变量处理部分原本阻碍识别的隐藏混杂。
- 阅读关注点
- 应核对代理变量所需限制、算法输入与识别范围，以及识别公式的可计算性和特例估计策略所需的额外条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明代理识别条件或算法完备性，最一般的表述属作者主张。
原文摘要
Unobserved confounding is a fundamental obstacle to establishing valid causal conclusions from observational data. Two complementary types of approaches have been developed to address this obstacle: obtaining identification using fortuitous external aids, such as instrumental variables or proxies, or by means of the ID algorithm, using Markov restrictions on the full data distribution encoded in graphical causal models. In this paper we aim to develop a synthesis of the former and latter approaches to identification in causal inference to yield the most general identification algorithm in multivariate systems currently known -- the proximal ID algorithm. In addition to being able to obtain nonparametric identification in all cases where the ID algorithm succeeds, our approach allows us to systematically exploit proxies to adjust for the presence of unobserved confounders that would have otherwise prevented identification. In addition, we outline a class of estimation strategies for causal parameters identified by our method in an important special case. We illustrate our approach by simulation studies and a data application.