Embarrassingly Causal: Causal Use of Associational Data in Magic The Gathering Drafts
显然存在因果关系的场景：万智牌轮抽中关联数据的因果使用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：摘要明确讨论因果图、观测数据、因果估计目标及混杂假设，直接属于因果推断。
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
显然存在因果关系的场景：万智牌轮抽中关联数据的因果使用
- 研究问题
- 当暴露与结局间存在因果关系几乎没有争议时，领域知识能支持哪些因果研究步骤，又应如何面对观测数据中的混杂与选择？
- 方法与思路
- 作者提出“显然存在因果关系”的场景准则，以万智牌轮抽决策和比赛结果及 17Lands 观测数据为案例，讨论因果图与估计目标。
- 材料陈述的贡献
- 摘要主张该准则足以支持构造因果估计目标和收集观测数据，并为作者、审稿人与读者评估观测因果推断假设提供指导。
- 阅读关注点
- 应核对因果边存在的论证如何区别于效应识别，准则的操作定义，以及案例如何处理混杂、选择效应和处理后条件化。
- 阅读边界
- 仅据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未给出消除混杂的识别方案，因果边可信并不自动保证效应可识别。
原文摘要
Observational data are often used to answer causal questions, yet the legitimacy of doing so is often argued to hinge on strong, domain supported assumptions about underlying causal structure with limited guidance on how much domain knowledge support should exist to justify including a causal edge of interest in a directed acyclic graph. We introduce the criterion of embarrassingly causal scenarios, where the existence of an exposure outcome relationship is so uncontroversial that the assumptions needed to include the corresponding causal edge in a DAG can be reasonably made. Using the case of Magic The Gathering booster draft decisions and gameplay outcomes, we show how purely observational data from 17Lands are widely and effectively used to guide draft choices despite substantial confounding, selection effects, and post treatment conditioning. We argue that the embarrassingly causal quality is a sufficient condition for justifying the construction of causal estimands and the collection of observational data to estimate them. Correspondingly, we provide guidance on evaluating observational causal inference assumptions for authors, reviewers, and readers.