When AI Generates Covariates: Causal Typing and Estimand Drift in Sequential Experiments
AI 生成协变量：序贯实验中的因果角色与目标量漂移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：摘要围绕序贯实验的因果目标量、协变量角色、识别条件及行动后信息造成的估计偏差展开。
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
AI 生成协变量：序贯实验中的因果角色与目标量漂移
- 研究问题
- 在序贯实验中，AI 从文本、图像等资料生成的协变量，何时能保留原有因果问题，何时会因角色混淆而改变目标量？
- 方法与思路
- 作者提出版本化表示映射、因果角色分类、主张状态筛选和目标量锁定，并分解压缩、条件分布与标准化引起的漂移。
- 材料陈述的贡献
- 摘要称在审计正确及识别假设下，允许的角色分配保持目标量；同时分析泄漏等偏差，并构造处理重复会话和缺失的估计量。
- 阅读关注点
- 核对近端效应的标准化定义、角色审计规则和识别假设，重点区分表示压缩、行动后信息泄漏及同数据筛选造成的偏差。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；保证依赖审计正确性，摘要未说明审计如何验证或实际误判程度。
原文摘要
AI-generated covariates from notes, conversations, images, and wearable streams can change the causal question when their roles are left unspecified. A generated feature may represent a treatment version, pre-action state, history, design variable, mediator, outcome proxy, observation process, or intercurrent event; these roles are not interchangeable. We formulate a causal type discipline for sequential experiments: a versioned representation map, a causal role classifier, a claim-status filter, and an estimand lock. The lock fixes a standardized proximal effect before generated covariates enter the analysis. Under audit correctness and standard identification assumptions, admissible role assignments preserve this estimand. We apply the established conditional-covariance characterization of compression bias to substitution of generated representations for design-relevant states. A standardized decomposition separates compression, conditional-law, and standardization drift. Further results cover mediator adjustment, post-action leakage, marker-intervention conflation, outcome-guided discovery, and state-measurement error. Cluster-level orthogonal estimators distinguish empirical and superpopulation targets under repeated sessions and missing outcomes. Simulations show that refinement helps when it retains design-relevant information, whereas design erasure, leakage, and same-data marker selection can produce bias or undercoverage. The framework places causal semantics and claim status before confirmatory inference with generated representations.