A General Identification Algorithm For Data Fusion Problems Under Systematic Selection
系统性选择下数据融合问题的一般识别算法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：摘要明确以图形因果模型处理混杂、选择偏差与多数据集干预分布识别。
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…
系统性选择下数据融合问题的一般识别算法
- 研究问题
- 来自同一总体但实验条件、变量测量和样本选择机制不同的多份数据，如何在未观测混杂与系统性选择并存时识别干预分布？
- 方法与思路
- 作者基于图形因果模型构建数据融合框架，将选择机制区分为完全随机、随机及非随机选择，并提出干预分布的一般识别算法。
- 材料陈述的贡献
- 摘要称，框架允许任意未观测混杂与进入不同实验机制的选择过程，并给出选择机制层级及相应的干预分布识别方法。
- 阅读关注点
- 应核对跨数据集共享总体的含义、选择变量的图形表示、可获得分布与目标分布的关系，以及算法成功或失败的判定规则。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；允许任意混杂和选择不意味着所有目标均可识别，摘要未说明算法完备性。
原文摘要
Causal inference is made challenging by confounding, selection bias, and other complications. A common approach to addressing these difficulties is the inclusion of auxiliary data on the superpopulation of interest. Such data may measure a different set of variables, or be obtained under different experimental conditions than the primary dataset. Analysis based on multiple datasets must carefully account for similarities between datasets, while appropriately accounting for differences. In addition, selection of experimental units into different datasets may be systematic; similar difficulties are encountered in missing data problems. Existing methods for combining datasets either do not consider this issue, or assume simple selection mechanisms. In this paper, we provide a general approach, based on graphical causal models, for causal inference from data on the same superpopulation that is obtained under different experimental conditions. Our framework allows both arbitrary unobserved confounding, and arbitrary selection processes into different experimental regimes in our data. We describe how systematic selection processes may be organized into a hierarchy similar to censoring processes in missing data: selected completely at random (SCAR), selected at random (SAR), and selected not at random (SNAR). In addition, we provide a general identification algorithm for interventional distributions in this setting.