Higher-order least squares: assessing partial goodness of fit of linear causal models
高阶最小二乘：评估线性因果模型的局部拟合优度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：摘要明确研究线性因果模型、隐藏混杂及协变量层面的诊断，因此归入因果推断；高维检验本身不构成其他分类依据。
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…
高阶最小二乘：评估线性因果模型的局部拟合优度
- 研究问题
- 存在潜在隐藏混杂时，如何检验误差独立于协变量的线性因果模型，并区分哪些协变量与响应之间受到混杂影响？
- 方法与思路
- 作者提出高阶最小二乘原则，通过比较它与普通最小二乘的结果，构造整体及部分拟合优度诊断，并讨论高维情形。
- 材料陈述的贡献
- 摘要称该方法提供了局部拟合优度检验，可用于辨别协变量受到潜变量混杂的情形，并给出了高维有效性的证明。
- 阅读关注点
- 应核对两种最小二乘比较所检验的具体零假设、混杂可被区分的条件，以及高维结论所需的维数与样本量限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明完整假设与检验功效，不能将诊断结果视为因果识别证明。
原文摘要
We introduce a simple diagnostic test for assessing the overall or partial goodness of fit of a linear causal model with errors being independent of the covariates. In particular, we consider situations where hidden confounding is potentially present. We develop a method and discuss its capability to distinguish between covariates that are confounded with the response by latent variables and those that are not. Thus, we provide a test and methodology for partial goodness of fit. The test is based on comparing a novel higher-order least squares principle with ordinary least squares. In spite of its simplicity, the proposed method is extremely general and is also proven to be valid for high-dimensional settings.