Feature selection in stratification estimators of causal effects: lessons from potential outcomes, causal diagrams, and structural equations
因果效应分层估计中的特征选择：三种方法传统的启示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：摘要直接讨论平均因果效应的协变量选择及分层估计。
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…
关注这篇论文的作者
因果效应分层估计中的特征选择：三种方法传统的启示
- 研究问题
- 估计平均因果效应时应选择哪些回归或调整变量，离散协变量下不同分层估计量的有限样本方差能提供什么选择依据？
- 方法与思路
- 作者在离散协变量框架中推导多种分层估计量的有限样本方差表达式，并结合潜在结果、因果图和加性误差结构模型进行解释。
- 材料陈述的贡献
- 摘要称，方差表达式帮助澄清若干常被引用结果背后的统计机制，并将三种因果分析传统的见解用于理解调整变量选择。
- 阅读关注点
- 应核对各种分层估计量的定义、方差推导的条件，以及变量选择对识别和精度的不同影响，辨明结论适用于哪些离散协变量设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未给出具体选择规则或完整模型条件，不能据此推荐统一的最优回归形式。
原文摘要
What is the ideal regression (if any) for estimating average causal effects? We study this question in the setting of discrete covariates, deriving expressions for the finite-sample variance of various stratification estimators. This approach clarifies the fundamental statistical phenomena underlying many widely-cited results. Our exposition combines insights from three distinct methodological traditions for studying causal effect estimation: potential outcomes, causal diagrams, and structural models with additive errors.