Score-Based Methods for Selecting Direct Causes in Reweighted Distributions
重加权分布中选择直接原因的评分方法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：摘要明确讨论因果推断、边际结构模型及结果变量直接原因的选择。
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
重加权分布中选择直接原因的评分方法
- 研究问题
- 当目标分布通过重加权获得、传统 BIC 不能直接适用时，如何进行模型选择并筛选结果变量的直接原因？
- 方法与思路
- 作者提出适用于重加权分布的广义 BIC，证明相应一致性，并在边际结构模型中处理权重估计与未测混杂情形。
- 材料陈述的贡献
- 摘要称该准则具有模型选择一致性，可用于直接原因选择；模拟研究展示其渐近性质，并与其他选择方法比较。
- 阅读关注点
- 应核对重加权目标、模型选择一致性的条件，以及存在未测混杂时直接原因如何识别、权重误差如何进入分析。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明未测混杂处理的具体条件，也未报告模拟数值。
原文摘要
Scoring methods based on the Bayesian information criterion (BIC) are commonly used for model selection tasks such as choosing features in a regression model or learning directed acyclic graphs from data. In certain model classes, model selection based on the BIC is consistent. However, since the BIC is based on the observed likelihood function, it does not apply directly to reweighted distributions arising in causal inference, missing data, and domain shift applications. Here, we propose a generalized version of the BIC that allows for model selection in reweighted distributions. We prove its corresponding consistency property and demonstrate how it can be used for selecting direct causes of an outcome variable in a marginal structural model. Our proposed method accounts for scenarios with unmeasured confounders and where the weights must be estimated from data. Through simulation studies, we demonstrate the asymptotic properties of the reweighted BIC and compare it with alternative methods for model selection.