Cost-Aware Optimized Front-Door Experimental Design
考虑成本的最优前门实验设计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：摘要明确研究前门及后门因果效应估计，并围绕其统计效率与测量成本优化数据收集设计。
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
考虑成本的最优前门实验设计
- 研究问题
- 在多元线性前门模型中，如何通过有选择的数据测量，在成本约束下提高因果效应估计效率，并允许处理与结局存在未观测混杂？
- 方法与思路
- 作者推导完整数据有效影响函数及观察数据影响函数的几何结构，据此构建闭式最优抽样策略和估计量，并扩展至后门估计。
- 材料陈述的贡献
- 摘要称方法在指定的增广影响函数类中最小化渐近方差，并在模拟及多类应用中，相比朴素全量抽样获得效率提升。
- 阅读关注点
- 应核对线性前门模型的识别限制、部分数据的观测机制与成本定义，以及最优性所属估计量类别和基准的预算可比性。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未经核实；未观测混杂不等于无须前门条件，摘要未完整说明识别与最优性边界。
原文摘要
Causal effect estimation often succeeds cost-constrained sequential data collection. This work considers multivariate linear front-door models with arbitrary unobserved confounding on treatment and response. We optimize the experimental design by balancing the statistical efficiency and measurement costs through partial data. The full-data efficient influence function for the causal effect is derived, together with the geometry of all observed-data influence functions. This characterization yields a closed-form optimal sampling policy and an estimator to minimize the asymptotic variance of regular asymptotically linear (RAL) estimators within a class of augmented full-data influence functions. The resulting design also covers back-door estimation. In simulations and applications to biological, medical, and industrial datasets, the optimized designs achieve substantial efficiency gains ($5.3\%$ to $31.9\%$) over naive full-sampling strategies.