Identifiable causal inference with noisy treatment and no side information
处理变量含噪且无辅助信息时的可识别因果推断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：摘要直接讨论连续处理测量误差下的因果效应识别与估计，深度潜变量模型是实现方法，因此优先归入因果推断。
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
处理变量含噪且无辅助信息时的可识别因果推断
- 研究问题
- 当连续处理变量存在测量误差，且没有辅助信息或已知误差方差时，能否在复杂非线性关系下识别并估计因果效应？
- 方法与思路
- 作者建立深度潜变量模型，以神经网络参数化高斯条件分布，借助测量误差模型的已有结果，并用摊销重要性加权变分目标训练。
- 材料陈述的贡献
- 摘要称，在所提出模型下，即使缺少辅助信息且误差方差未知，因果效应仍可识别；实验展示了未知测量误差下的估计表现。
- 阅读关注点
- 应核对无辅助信息识别所需的完整模型限制、潜在混杂处理方式，以及变分近似、神经网络设定与识别结论之间的关系。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列识别条件，不能将模型内可识别性推广到任意测量误差机制。
原文摘要
In some causal inference scenarios, the treatment variable is measured inaccurately, for instance in epidemiology or econometrics. Failure to correct for the effect of this measurement error can lead to biased causal effect estimates. Previous research has not studied methods that address this issue from a causal viewpoint while allowing for complex nonlinear dependencies and without assuming access to side information. For such a scenario, this study proposes a model that assumes a continuous treatment variable that is inaccurately measured. Building on existing results for measurement error models, we prove that our model's causal effect estimates are identifiable, even without side information and knowledge of the measurement error variance. Our method relies on a deep latent variable model in which Gaussian conditionals are parameterized by neural networks, and we develop an amortized importance-weighted variational objective for training the model. Empirical results demonstrate the method's good performance with unknown measurement error. More broadly, our work extends the range of applications in which reliable causal inference can be conducted.