Variable elimination, graph reduction and efficient g-formula
变量消除、图约简与有效率的 g 公式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：摘要明确研究因果图下干预均值的识别、g 公式与半参数效率，直接属于因果推断方向。
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…
变量消除、图约简与有效率的 g 公式
- 研究问题
- 在无隐藏变量的因果有向无环图下，哪些变量可以不测量而仍识别单次处理的干预均值，并保留原模型的半参数估计效率？
- 方法与思路
- 作者提出可靠且完备的图判据以消除无信息变量，构造仅含信息变量的约简图，并用该图的 g 公式识别干预均值和比较方差下界。
- 材料陈述的贡献
- 摘要称，约简前后模型的半参数方差下界相同；在正则条件下，约简 g 公式可实现渐近效率，且不能进一步删去变量而保留该性质。
- 阅读关注点
- 应核对无信息变量的图判据、约简图构造、边缘分布模型与原模型的关系，以及非参数估计实现渐近效率所需的正则条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实。结论限定于摘要所述无隐藏变量图模型，摘要未说明图未知或存在潜在混杂时的处理。
原文摘要
We study efficient estimation of an interventional mean associated with a point exposure treatment under a causal graphical model represented by a directed acyclic graph without hidden variables. Under such a model, it may happen that a subset of the variables are uninformative in that failure to measure them neither precludes identification of the interventional mean nor changes the semiparametric variance bound for regular estimators of it. We develop a set of graphical criteria that are sound and complete for eliminating all the uninformative variables so that the cost of measuring them can be saved without sacrificing estimation efficiency, which could be useful when designing a planned observational or randomized study. Further, we construct a reduced directed acyclic graph on the set of informative variables only. We show that the interventional mean is identified from the marginal law by the g-formula (Robins, 1986) associated with the reduced graph, and the semiparametric variance bounds for estimating the interventional mean under the original and the reduced graphical model agree. This g-formula is an irreducible, efficient identifying formula in the sense that the nonparametric estimator of the formula, under regularity conditions, is asymptotically efficient under the original causal graphical model, and no formula with such property exists that only depends on a strict subset of the variables.