$ρ$-GNF: A Copula-based Sensitivity Analysis to Unobserved Confounding Using Normalizing Flows
ρ-GNF：利用 Copula 与归一化流分析未观测混杂的敏感性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下平均因果效应的敏感性分析。
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
ρ-GNF：利用 Copula 与归一化流分析未观测混杂的敏感性
- 研究问题
- 在存在未观测混杂的观察性研究中，平均因果效应如何随假定混杂强度变化，需要多强的混杂才能使效应归零？
- 方法与思路
- 作者利用结构因果模型的干预等价思想，以高斯 Copula 编码混杂关联，通过归一化流估计随敏感性参数 ρ 变化的效应。
- 材料陈述的贡献
- 摘要称所得 ρ 曲线可给出指定参数区间下的效应界，并报告其分布假设在实验中产生了比部分现有方法更窄的界。
- 阅读关注点
- 核对 ρ 与混杂强度的对应关系、高斯 Copula 的限制，以及效应界如何计算，并区分敏感性范围与抽样置信区间。
- 阅读边界
- 所据版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；更窄的界依赖分布设定，摘要未说明其适用条件。
原文摘要
We propose a novel sensitivity analysis to unobserved confounding in observational studies using copulas and normalizing flows. Using the idea of interventional equivalence of structural causal models, we develop $ρ$-GNF ($ρ$-graphical normalizing flow), where $ρ{\in}[-1,+1]$ is a bounded sensitivity parameter. This parameter represents the back-door non-causal association due to unobserved confounding, and which is encoded with a Gaussian copula. In other words, the $ρ$-GNF enables scholars to estimate the average causal effect (ACE) as a function of $ρ$, while accounting for various assumed strengths of the unobserved confounding. The output of the $ρ$-GNF is what we denote as the $ρ_{curve}$ that provides the bounds for the ACE given an interval of assumed $ρ$ values. In particular, the $ρ_{curve}$ enables scholars to identify the confounding strength required to nullify the ACE, similar to other sensitivity analysis methods (e.g., the E-value). Leveraging on experiments from simulated and real-world data, we show the benefits of $ρ$-GNF. One benefit is that the $ρ$-GNF uses a Gaussian copula to encode the distribution of the unobserved causes, which is commonly used in many applied settings. This distributional assumption produces narrower ACE bounds compared to other popular sensitivity analysis methods.