Learning Causal Models from Conditional Moment Restrictions by Importance Weighting
通过重要性加权从条件矩限制学习因果模型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：摘要明确以条件矩限制学习因果关系，并讨论非参数因果函数的估计。
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…
通过重要性加权从条件矩限制学习因果模型
- 研究问题
- 在高维条件矩限制下，如何估计由这些限制定义的非参数因果关系，并降低直接处理条件约束带来的学习困难？
- 方法与思路
- 作者利用条件密度比估计进行重要性加权，将条件矩限制转化为无条件矩限制，形成可结合神经网络的估计框架。
- 材料陈述的贡献
- 摘要称该转换支持条件矩定义的非参数函数估计，提供估计误差分析，并通过实验展示所提方法的有效性。
- 阅读关注点
- 应核对条件矩与无条件矩转换的成立条件、密度比和支持集要求，以及密度比估计误差如何传递到目标函数估计。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；摘要未说明具体识别限制和误差界条件，实验结果也未给出数值。
原文摘要
We consider learning causal relationships under conditional moment restrictions. Unlike causal inference under unconditional moment restrictions, conditional moment restrictions pose serious challenges for causal inference, especially in high-dimensional settings. To address this issue, we propose a method that transforms conditional moment restrictions to unconditional moment restrictions through importance weighting, using a conditional density ratio estimator. Using this transformation, we successfully estimate nonparametric functions defined under conditional moment restrictions. Our proposed framework is general and can be applied to a wide range of methods, including neural networks. We analyze the estimation error, providing theoretical support for our proposed method. In experiments, we confirm the soundness of our proposed method.