Multiple Regression Analysis of Unmeasured Confounding
未观测混杂的多元回归分析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：摘要直接研究未观测混杂、遗漏变量偏差、因果效应部分识别及敏感性分析。
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
未观测混杂的多元回归分析
- 研究问题
- 在多元回归中，如何利用关于决定系数的领域知识和已测量协变量，界定遗漏变量偏差并评估因果效应的混杂不确定性？
- 方法与思路
- 作者将简单回归的混杂区间方法扩展至多元回归，利用决定系数约束遗漏变量偏差，并提供支持部分识别的算法。
- 材料陈述的贡献
- 摘要将详细算法列为主要贡献，并通过应用例子说明决定系数如何支持观测研究中的因果敏感性分析与部分识别。
- 阅读关注点
- 核对决定系数约束如何获得、混杂区间与置信区间如何区分，以及已测协变量和数据中的自然随机性怎样进入算法。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未给区间公式和约束细节，无法判断领域知识是否足以形成可信界限。
原文摘要
Whereas confidence intervals are used to assess uncertainty due to unmeasured individuals, confounding intervals can be used to assess uncertainty due to unmeasured attributes. Previously, we have introduced a methodology for computing confounding intervals in a simple regression setting in a paper titled ``Regression Analysis of Unmeasured Confounding." Here we extend that methodology for more general application in the context of multiple regression. Our multiple regression analysis of unmeasured confounding utilizes subject matter knowledge about coefficients of determination to bound omitted variables bias, while taking into account measured covariate data. Our generalized methodology can be used to partially identify causal effects. The methodology is demonstrated with example applications, to show how coefficients of determination, being complementary to randomness, can support sensitivity analysis for causal inference from observational data. The methodology is best applied when natural sources of randomness are present and identifiable within the data generating process. Our main contribution is an algorithm that supports our methodology. The purpose of this article is to describe our algorithm in detail. In the paper we provide a link to our GitHub page for readers who would like to access and utilize our algorithm.